Εμπλουτισμός δεδομένων και ερμηνεία ταξινομητών Βαθιάς Μάθησης με τη χρήση Περιγραφικών Λογικών

Abstract

Η ραγδαία ανάπτυξη που έχει γνωρίσει ο κλάδος της Βαθιάς Μάθησης την τελευταία δεκαετία έχει οδηγήσει στην ευρεία εφαρμογή του για την αυτοματοποίηση διαδικασιών. Όμως, η αδιαφάνεια των μοντέλων που παράγει δημιουργεί ηθικά ζητήματα και επιφυλάξεις στη χρήση του σε κρίσιμες εφαρμογές, όπως οι ιατρικές, παρά τις σημαντικές του επιδόσεις. Εμείς κινούμαστε στον χώρο της Εξηγήσιμης Τεχνητής Νοημοσύνης και χρησιμοποιούμε εργαλεία από τις Περιγραφικές Λογικές, εύκολα ερμηνεύσιμα από τη φύση τους, για να διαλευκάνουμε τον τρόπο με τον οποίο λαμβάνουν αποφάσεις αυτά τα μοντέλα. Συγκεκριμένα, αντιμετωπίζουμε ταξινομητές ως μαύρα κουτιά και χρησιμοποιούμε δεδομένα εμπλουτισμένα με σημασιολογικές περιγραφές για να παραγάγουμε συζευκτικά ερωτήματα που μιμούνται τη συμπεριφορά τους.