作为一家高速成长科技公司的数据科学家，您的团队正在改进预测分析。最近一次会议上，相关方讨论了在个性化推荐项目中使用黑箱模型。
哪两条陈述能够正确反映在何种情况下可以或不可以使用黑箱模型？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
我们将深入探讨可解释人工智能（XAI），强调其在提升 AI 系统透明度、可解释性与可信度方面的作用。我们会介绍 AI 在预测与内容生成方面的能力，并突出清晰决策过程的必要性。此外，我们还将探讨如何让复杂的 AI 模型对更广泛的受众更易理解。
我们将系统梳理可解释人工智能（XAI）的技术方法，将其划分为面向特定模型、与模型无关、局部解释与全局解释等类别，以阐明 AI 的决策过程。我们会结合回归与分类任务讲解面向特定模型的洞察，并介绍 SHAP 与 LIME 等用于解释黑箱模型的工具。此外，我们还将讨论大语言模型（LLM）的复杂性，强调其决策过程透明化的必要性。
当前练习
我们将探讨 XAI 的变革性影响，说明其如何在各行业让人工智能更易用、更亲和。通过从一开始就融入可解释性设计，我们能确保 AI 系统保持透明，促进信任，并加深人与机器的协作。借助真实案例，我们将展示 XAI 如何化繁为简，帮助不同技术背景的用户理解复杂的 AI 决策，从而借助 AI 洞见做出更明智的决策。
