原创办理旧AI题目的新方法

星宇心空

原标题：办理旧AI题目的新方法

为了这统统 我们已经从约莫60年的发展寿掷中相识到了人工智能，并从中获悉，我们与它之间的关系的一个底子部门通常仍旧遥不可及：人类对复杂的呆板学习模子如安在环球范围内思索的深刻明白。

BCG数据科学首席IP官Jan Ittner博士大概终于有了答案。

输入FACET，这是BCG GAMMA构建的开源办理方案，旨在提供呆板学习模子的正确全局表明。FACET由Ittner开辟，以相应客户对更好地明白和优化生产流程的需求，旨在使数据科学家可以或许逾越单一猜测的当地视野，而是资助他们终极明白和评估整个“黑匣子”模子中全部变量的依靠性和相互作用。科学家们第一次有了可访问的工具，可以资助呆板学习模子在环球范围内表明本身背后的幕后运动。

Ittner说：“我仍旧听到统计学家和数据科学家说-不相识FACET-这种东西是行不通的。”

多亏了Ittner和他的团队，如今可以了。FACET与scikit-learn（一个盛行的Python呆板学习库）互助推出，以游戏理论模子为底子-已有近100年汗青的研究范畴，研究个体因素怎样影响终极效果比年来，人工智能研究职员的爱好日益浓重。

Ittner说：“假如您思量与玩家举行一场游戏，而且游戏中有五位玩家……他们都做出选择并共同为一项结果做出贡献，那么他们（每个）应该如作甚这一结果赢得赞誉？” “根本上，重要题目是，假如从游戏中删除玩家，效果将怎样改善或恶化？”

从汗青上看，不存在差别的方法来答复一个题目。但伊特纳发现刻面SHAP（灵感SH apley一个dditive前P lanations），用于表明呆板学习模子的输出近来的和盛行的游戏理论方法。

Ittner说：“ SHAP方法的精彩之处在于，我们只是说差别的变量是到场者，而猜测是游戏。” “因此，我要求模子做出猜测-删除这些变量中的一个或多个后，该猜测将怎样变革？”

但是，假如没有可用的算法，就无法表明模子的一样平常举动（超出其单独的猜测）以及变量之间复杂的相互作用的星座。确定手工挑选的变量集之间的依靠关系和相互作用，这是一个手动和探索性的过程。如今，FACET可以一劳永逸地做到这一点-只需按一下按钮。FACET鉴戒了SHAP方法，评估了数千个单独的猜测，以辨认模子在练习过程中发现的变量之间的关系。

“总会有这种衡量弃取–您拥有一个简朴的模子……而且您有点明白它的作用，大概您拥有一个非常强盛的“黑匣子”模子，但是它是云云复杂，以至于没有人能明白它。 ”，伊特纳说。“这就是FACET的去处-它接纳了复杂的“黑匣子”模子，但以一种数据科学家可以访问的方式对其举行了表明。”

返回搜狐，检察更多

责任编辑：