Melhorar a explicabilidade da rede neural [Portuguese]

By Martin Aruldoss and Enoch Arulprakash

A Intelig ncia Artificial (IA) baseada em redes neuronais crucial em muitas aplica es, como sistemas de recomenda o, tradu o de l nguas, redes sociais, chatbots, corre o ortogr fica, etc. No entanto, estas redes s o frequentemente criticadas por serem "caixas negras", o que suscita preocupa es quanto sua explicabilidade, especialmente em dom nios sens veis como os cuidados de sa de, a condu o aut noma, etc. Os m todos existentes para melhorar a explicabilidade, como a import ncia das carater sticas, carecem frequentemente de clareza e interpretabilidade. Para resolver este problema, foi desenvolvida a Rede Neural Orientada para Objectos para Melhorar a Explicabilidade (OONNIE). A OONNIE utiliza a modela o orientada para objectos para combinar a perda e o peso da liga o para calcular a import ncia das carater sticas e integra regras espec ficas do dom nio atrav s da extensibilidade da OOP. O modelo enfatiza a transpar ncia algor tmica, detalhando cada passo do treino. Avaliado nas fun es XOR e XNOR, o OONNIE apresenta resultados promissores em termos de import ncia das carater sticas, redu o mais r pida das perdas e previs es melhoradas ap s a integra o das regras do dom nio. Isto marca uma contribui o significativa para a IA explic vel, tornando o OONNIE uma ferramenta valiosa para o desenvolvimento de sistemas de IA fi veis.

• Format: Paperback
• Language: Portuguese
• ISBN: 620237117X
• ISBN13: 9786202371179
• Release Date: August 2025
• Publisher: Edicoes Nosso Conhecimento
• Length: 132 Pages
• Weight: 0.41 lbs.
• Dimensions: 0.3" x 6.0" x 9.0"