تطورات في الذكاء الاصطناعي القابل للتفسير - (غلاف فني)

ملخص الكتاب تمتلك خوارزميات الذكاء الاصطناعي (AI) القائمة على تعلم الآلة (ML) القدرة على التعلم من الأمثلة المعروفة، مما يتيح لها إنشاء تمثيلات ونماذج تجريدية متنوعة. وعند تطبيق هذه الخوارزميات على أمثلة غير مألوفة، يمكنها تنفيذ مجموعة من المهام، بما في ذلك التصنيف، والانحدار، والتنبؤ، على سبيل المثال لا الحصر. وغالباً ما يكون من الصعب فهم تمثيلات تعلم الآلة (ML) عالية الفعالية هذه، لا سيما في حالة نماذج التعلم العميق (Deep Learning)، التي قد تتضمن ملايين المعلمات. ومع ذلك، ففي العديد من التطبيقات، من الضروري أن يستوعب أصحاب المصلحة الأسباب الكامنة وراء قرارات النظام لاستخدامها بشكل أكثر فعالية. وقد دفعت هذه الضرورة نحو بذل جهود بحثية واسعة النطاق تهدف إلى تعزيز الشفافية وقابلية التفسير لخوارزميات تعلم الآلة (ML)، مما أدى إلى ظهور مجال الذكاء الاصطناعي القابل للتفسير (XAI). تشمل أهداف الذكاء الاصطناعي القابل للتفسير (XAI) ما يلي: إضفاء الشفافية على نماذج تعلم الآلة (ML) من خلال تقديم رؤى شاملة حول الأسباب الكامنة وراء قرارات محددة؛ وتصميم نماذج تعلم آلة (ML) أكثر قابلية للتفسير والشفافية مع الحفاظ على مستويات عالية من الأداء؛ ووضع طرق لتقييم القابلية الإجمالية للتفسير والشفافية للنماذج، وقياس مدى فعاليتها لمختلف أصحاب المصلحة. يجمع هذا العدد الخاص المساهمات حول التطورات والتقنيات الحديثة في مجال الـ XAI.