Zwiększanie zrozumialości sieci neuronowych [Polish]

By Martin Aruldoss and Enoch Arulprakash

Sztuczna inteligencja (AI) oparta na sieciach neuronowych ma kluczowe znaczenie w wielu zastosowaniach, takich jak systemy rekomendacji, tlumaczenia językowe, media spolecznościowe, chatboty, sprawdzanie pisowni itp. Sieci te są jednak często krytykowane za to, że są "czarnymi skrzynkami", co budzi obawy o ich wyjaśnialnośc, zwlaszcza w delikatnych dziedzinach, takich jak opieka zdrowotna, autonomiczna jazda itp. Istniejące metody zwiększania wyjaśnialności, takie jak znaczenie cech, często nie są jasne i latwe do interpretacji. Aby temu zaradzic, opracowano Object-Oriented Neural Network for Improved Explainability (OONNIE). OONNIE wykorzystuje modelowanie obiektowe do lączenia strat i wag polączeń w celu obliczania znaczenia funkcji i integruje reguly specyficzne dla domeny dzięki rozszerzalności OOP. Model kladzie nacisk na przejrzystośc algorytm w, szczeg lowo opisując każdy etap szkolenia. Oceniany na funkcjach XOR i XNOR, OONNIE wykazuje obiecujące wyniki w zakresie znaczenia cech, szybszej redukcji strat i lepszych prognoz po zintegrowaniu regul domenowych. Stanowi to znaczący wklad w wyjaśnialną sztuczną inteligencję, dzięki czemu OONNIE jest cennym narzędziem do opracowywania godnych zaufania system w sztucznej inteligencji.

• Format: Paperback
• Language: Polish
• ISBN: 6202371161
• ISBN13: 9786202371162
• Release Date: August 2025
• Publisher: Edizioni Sapienza
• Length: 132 Pages
• Weight: 0.41 lbs.
• Dimensions: 0.3" x 6.0" x 9.0"