XAI (ရှင်းပြနိုင်သော Artificial Intelligence) အတွက် မည်သည့်ကိရိယာများ ရှိနေသနည်း။

/ / Published in ပြည်တွင်းသတင်း ဉာဏ်ရည်တု, EITC/AI/GCML Google Cloud Machine Learning, စက်သင်ကြားရေးပထမအဆင့်, နက်ရှိုင်းသောအာရုံကြောကွန်ယက်များနှင့်ခန့်မှန်းသူများ

ရှင်းပြနိုင်သော Artificial Intelligence (XAI) သည် ခေတ်မီ AI စနစ်များ အထူးသဖြင့် နက်နဲသော အာရုံကြောကွန်ရက်များနှင့် စက်သင်ယူမှု ခန့်မှန်းတွက်ချက်မှုများ၏ အခြေအနေတွင် အရေးကြီးသော ကဏ္ဍတစ်ခုဖြစ်သည်။ ဤပုံစံများသည် ပိုမိုရှုပ်ထွေးလာပြီး အရေးပါသောအသုံးချပရိုဂရမ်များတွင် အသုံးချလာသည်နှင့်အမျှ ၎င်းတို့၏ ဆုံးဖြတ်ချက်ချသည့်လုပ်ငန်းစဉ်များကို နားလည်ရန်မှာ မရှိမဖြစ်လိုအပ်လာသည်။ XAI ကိရိယာများနှင့် နည်းစနစ်များသည် မော်ဒယ်များ ကြိုတင်ခန့်မှန်းမှုများကို မည်သို့ထိုးထွင်းသိမြင်နိုင်စေကာမူ ပွင့်လင်းမြင်သာမှု၊ တာဝန်ခံမှုနှင့် ယုံကြည်စိတ်ချရမှုကို မြှင့်တင်ပေးနိုင်ရန် ရည်ရွယ်ပါသည်။

AI စနစ်များတွင် ရှင်းပြနိုင်စေရန်အတွက် ကိရိယာများနှင့် မူဘောင်များစွာကို တီထွင်ထားသည်။ ဤကိရိယာများသည် မော်ဒယ်-ကိုးကွယ်ယုံကြည်မှုဆိုင်ရာ နည်းလမ်းများမှ မော်ဒယ်-သီးသန့်နည်းပညာများအထိ ကွဲပြားကြပြီး မော်ဒယ်၏ ရှုပ်ထွေးမှုနှင့် အမျိုးအစားပေါ်မူတည်၍ မတူညီသော လိုအပ်ချက်များကို ဖြည့်ဆည်းပေးပါသည်။

1. LIME (ဒေသတွင်း ဘာသာပြန်ဆိုနိုင်သော မော်ဒယ်လ်-ဘာသာမဲ့ ရှင်းလင်းချက်များ-

LIME သည် စက်သင်ယူမှုမော်ဒယ်များ၏ ခန့်မှန်းချက်များကို ရှင်းပြရန်အတွက် ရေပန်းစားသောကိရိယာတစ်ခုဖြစ်သည်။ ရှုပ်ထွေးသော မော်ဒယ်များသည် ကမ္ဘာနှင့်အဝှမ်း အဓိပ္ပာယ်ဖွင့်ဆိုရန် ခက်ခဲသော်လည်း ၎င်းတို့ကို ရိုးရှင်းသော မော်ဒယ်များဖြင့် ဒေသအလိုက် ခန့်မှန်းနိုင်ပါသည်။ LIME သည် ထည့်သွင်းမှုဒေတာကို နှောက်ယှက်ပြီး မော်ဒယ်၏ ခန့်မှန်းချက်များကို အပြောင်းအလဲများကို စောင့်ကြည့်ခြင်းဖြင့် ရှင်းလင်းချက်များကို ထုတ်ပေးပါသည်။ ထို့နောက် ၎င်းသည် စိတ်ဝင်တစား သာဓကတဝိုက်ရှိ ရှုပ်ထွေးသောမော်ဒယ်၏ ဆုံးဖြတ်ချက်နယ်နိမိတ်ကို အနီးစပ်ဆုံး ခန့်မှန်းရန် linear regression ကဲ့သို့သော အဓိပ္ပာယ်ပြန်ရနိုင်သော မော်ဒယ်တစ်ခုနှင့် အံဝင်ခွင်ကျရှိသော ဒေတာသို့ အံဝင်ခွင်ကျဖြစ်စေပါသည်။

ဥပမာအားဖြင့်၊ ပုံများကို အမျိုးအစားခွဲရန် လေ့ကျင့်ထားသော နက်နဲသော အာရုံကြောကွန်ရက်တစ်ခုကို သုံးသပ်ကြည့်ပါ။ ပုံတစ်ပုံကို စိတ်အနှောင့်အယှက်ဖြစ်စေခြင်း (ဥပမာ၊ ၎င်း၏အစိတ်အပိုင်းများ) နှင့် မည်သည့်အင်္ဂါရပ်များ (သို့မဟုတ် pixels) သည် ခန့်မှန်းချက်အပေါ် လွှမ်းမိုးမှုအရှိဆုံးဖြစ်ကြောင်း ပိုင်းခြားစိတ်ဖြာခြင်းဖြင့် LIME ကို အသုံးပြုနိုင်သည်။ ဤချဉ်းကပ်မှုသည် အသုံးပြုသူများအား ၎င်း၏ဆုံးဖြတ်ချက်အတွက် အရေးကြီးဆုံးဟု ယူဆသည့် ထည့်သွင်းမှုပုံစံ၏ ရှုထောင့်များကို ထိုးထွင်းသိမြင်နိုင်စေပါသည်။

2. SHAP (SHapley ထပ်လောင်းရှင်းပြချက်များ-

SHAP သည် အင်္ဂါရပ်၏ အရေးပါမှုကို စုစည်းထားသော အတိုင်းအတာတစ်ခုအထိ ပေးဆောင်ရန် ပူးပေါင်းဆောင်ရွက်မှုဂိမ်းသီအိုရီမှ သဘောတရားများကို အသုံးချသည်။ ၎င်းသည် ခန့်မှန်းချက်အတွက် ထိုအင်္ဂါရပ်၏ ပံ့ပိုးကူညီမှုကို ကိုယ်စားပြုသည့် SHAP တန်ဖိုးဟုခေါ်သော အရေးကြီးသည့်တန်ဖိုးတစ်ခုစီကို ပေးဆောင်သည်။ SHAP တန်ဖိုးများသည် ညီညွတ်မှုနှင့် ဒေသဆိုင်ရာ တိကျမှုကဲ့သို့ လိုလားအပ်သော ဂုဏ်သတ္တိများရှိပြီး ၎င်းတို့အား မော်ဒယ်ခန့်မှန်းချက်များကို ရှင်းပြရန်အတွက် ခိုင်မာသောရွေးချယ်မှုတစ်ခုဖြစ်စေသည်။

SHAP သည် သစ်ပင်အခြေခံ မော်ဒယ်များနှင့် နက်နဲသော သင်ယူမှု ဗိသုကာများ အပါအဝင် ကျယ်ပြန့်သော မော်ဒယ်များတွင် အသုံးချနိုင်သည်။ ဥပမာအားဖြင့်၊ ခရက်ဒစ်ရမှတ်ပုံစံတစ်ခုတွင်၊ SHAP သည် တစ်ဦးချင်းစီ၏ ခရက်ဒစ်ရမှတ်ကို သိသိသာသာ သက်ရောက်မှုရှိသည့် ဝင်ငွေ သို့မဟုတ် အကြွေးမှတ်တမ်းကဲ့သို့သော အင်္ဂါရပ်များကို ခွဲခြားသတ်မှတ်ရာတွင် ကူညီပေးနိုင်သည်။ SHAP တန်ဖိုးများကို မြင်ယောင်ခြင်းဖြင့်၊ သက်ဆိုင်သူများသည် မော်ဒယ်၏ အပြုအမူကို ပိုမိုကောင်းမွန်စွာ နားလည်နိုင်ပြီး ၎င်းသည် ဒိုမိန်းအသိပညာနှင့် ကျင့်ဝတ်ဆိုင်ရာ ထည့်သွင်းစဉ်းစားမှုများနှင့် ကိုက်ညီကြောင်း သေချာစေသည်။

3. Google Cloud AI ရှင်းပြနိုင်မှု-

Google Cloud သည် မော်ဒယ်အနက်ပြန်ဆိုနိုင်စွမ်းကို မြှင့်တင်ရန် ရည်ရွယ်သည့် တူးလ်များနှင့် ဝန်ဆောင်မှုအစုံကို ပေးပါသည်။ ဤကိရိယာများကို Google Cloud ၏ AI နှင့် စက်သင်ယူမှုပလပ်ဖောင်းများတွင် ပေါင်းစပ်ထားပြီး cloud ပေါ်တွင် အသုံးပြုထားသည့် မော်ဒယ်များအတွက် ရှင်းပြနိုင်မှုဆိုင်ရာ အင်္ဂါရပ်များကို ချောမွေ့စွာဝင်ရောက်ခွင့်ပေးပါသည်။ အဓိက အစိတ်အပိုင်းများ ပါဝင်သည်-

- အင်္ဂါရပ်ဂုဏ်ပုဒ်များ: Google Cloud AI ရှင်းပြနိုင်မှုသည် မော်ဒယ်တစ်ခုစီ၏ ခန့်မှန်းချက်တွင် အင်္ဂါရပ်တစ်ခုစီ၏ ပံ့ပိုးမှုပမာဏကို ပမာဏသတ်မှတ်ပေးသည့် အင်္ဂါရပ်ဆိုင်ရာ အရည်အချင်းများကို ပံ့ပိုးပေးပါသည်။ ၎င်းကို အာရုံကြောကွန်ရက်များအတွက် အထူးထိရောက်သော ပေါင်းစပ် gradients နှင့် path method ကဲ့သို့သော နည်းစနစ်များဖြင့် ရရှိသည်။

- ဘယ်လို Tool လဲ။: ဤအပြန်အလှန်အကျိုးသက်ရောက်သော ကိရိယာသည် အသုံးပြုသူများအား ထည့်သွင်းခြင်းဆိုင်ရာအင်္ဂါရပ်များကို အပြောင်းအလဲများကို အတုယူခြင်းဖြင့် မော်ဒယ်ခန့်မှန်းချက်များကို ပိုင်းခြားစိတ်ဖြာနိုင်စေပါသည်။ အသုံးပြုသူများသည် အတုအယောင်အခြေအနေများကို စူးစမ်းလေ့လာနိုင်ပြီး ဆုံးဖြတ်ချက်ဘောင်များကို မြင်ယောင်ကာ မော်ဒယ်မျှတမှုကို အကဲဖြတ်နိုင်သည်။ ဥပမာအားဖြင့်၊ What-If Tool ကို ဖောက်သည်တစ်ဦး၏ အသက်အရွယ် သို့မဟုတ် ဝင်ငွေပြောင်းလဲခြင်းသည် ဘဏ္ဍာရေးပုံစံတစ်ခုတွင် ၎င်းတို့၏ ချေးငွေခွင့်ပြုချက်အခြေအနေအပေါ် မည်သို့သက်ရောက်မှုရှိသည်ကို စုံစမ်းစစ်ဆေးရန် အသုံးပြုနိုင်သည်။

4. TensorFlow မော်ဒယ်ခွဲခြမ်းစိတ်ဖြာခြင်း (TFMA)-

TFMA သည် TensorFlow မော်ဒယ်များကို အကဲဖြတ်ရန်နှင့် နားလည်ရန် ကိရိယာများကို ပံ့ပိုးပေးသည့် ပွင့်လင်းအရင်းအမြစ် စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ၎င်းသည် မော်ဒယ်အကဲဖြတ်မှု၊ တရားမျှတမှု ခွဲခြမ်းစိတ်ဖြာမှုနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုတို့အတွက် စွမ်းရည်များ ပေးဆောင်သည်။ TFMA သည် မတူညီသောဒေတာအချပ်များတစ်လျှောက် မော်ဒယ်စွမ်းဆောင်ရည်ကို မီးမောင်းထိုးပြသည့် အသေးစိတ်အစီရင်ခံစာများကို ထုတ်ပေးနိုင်ပြီး တိုးတက်မှုအတွက် ဖြစ်နိုင်ခြေရှိသော ဘက်လိုက်မှုများ သို့မဟုတ် နယ်ပယ်များကို ခွဲခြားသတ်မှတ်ရန် ကူညီပေးသည်။

အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုအရ TFMA သည် အသုံးပြုသူများအား အင်္ဂါရပ်ဆိုင်ရာ ပံ့ပိုးမှုများကို မြင်သာစေပြီး ခွဲခြမ်းစိတ်ဖြာနိုင်စေမည့် အင်္ဂါရပ်ထည့်သွင်းခြင်းနည်းလမ်းများ ပေါင်းစပ်မှုကို ပံ့ပိုးပေးပါသည်။ မတူညီသောထည့်သွင်းမှုအင်္ဂါရပ်များသည် မော်ဒယ်ခန့်မှန်းချက်များကို မည်သို့အကျိုးသက်ရောက်ကြောင်း နားလည်ရန်နှင့် မတူကွဲပြားသောဒေတာအတွဲများတွင် မော်ဒယ်များမျှော်လင့်ထားသည့်အတိုင်း ပြုမူကြောင်းသေချာစေရန်အတွက် ၎င်းသည် အထူးအသုံးဝင်သည်။

5. Captum-

Captum သည် နက်ရှိုင်းသော သင်ယူမှုပုံစံများအတွက် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်စေရန် ဒီဇိုင်းထုတ်ထားသည့် PyTorch စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ပေါင်းစည်းထားသော gradients၊ DeepLIFT နှင့် အလွှာအလိုက် ဆက်စပ်မှုရှိရှိ ဖြန့်ကျက်ခြင်း အပါအဝင် algorithms အမျိုးမျိုးကို ထည့်သွင်းပေးထားပြီး အင်္ဂါရပ်များအတွက် ခန့်မှန်းချက်များကို ထည့်သွင်းပေးထားပါသည်။ Captum ၏ ပြောင်းလွယ်ပြင်လွယ် API သည် အသုံးပြုသူများကို စိတ်ကြိုက် PyTorch မော်ဒယ်များသို့ ဤနည်းလမ်းများကို အသုံးချနိုင်စေပြီး မော်ဒယ်အပြုအမူ အသေးစိတ်ကို ခွဲခြမ်းစိတ်ဖြာနိုင်စေပါသည်။

ဥပမာအားဖြင့်၊ သဘာဝဘာသာစကားလုပ်ဆောင်ခြင်း (NLP) မော်ဒယ်တွင်၊ ဝါကျတစ်ကြောင်းရှိ မည်သည့်စကားလုံးများသည် ကြိုတင်ခန့်မှန်းထားသော ခံစားချက်ကို အများဆုံးအကျိုးပြုကြောင်း ဆုံးဖြတ်ရန် Captum ကို အသုံးပြုနိုင်သည်။ ဤဂုဏ်ပုဒ်များကို မြင်ယောင်ခြင်းဖြင့်၊ ဆော့ဖ်ဝဲအင်ဂျင်နီယာများသည် မော်ဒယ်၏ဘာသာစကားကို နားလည်သဘောပေါက်နားလည်မှုကို ရရှိစေပြီး ၎င်းသည် လူသား၏ပင်ကိုယ်သဘောနှင့် ကိုက်ညီကြောင်း သေချာစေသည်။

6. Alibi-

Alibi သည် စက်သင်ယူမှုပုံစံ စစ်ဆေးခြင်းနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းအပေါ် အာရုံစိုက်သည့် ပွင့်လင်းအရင်းအမြစ်စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ၎င်းသည် တစ်ဦးချင်းစီ၏ ခန့်မှန်းချက်များကို ရှင်းပြရန်၊ ဆန့်ကျင်ဘက်ဖြစ်ရပ်များကို ရှာဖွေဖော်ထုတ်ရန်နှင့် မော်ဒယ်၏ကြံ့ခိုင်မှုကို အကဲဖြတ်ရန်အတွက် နည်းလမ်းမျိုးစုံကို ပေးဆောင်သည်။ Alibi သည် မတူညီသော မော်ဒယ်လ်အမျိုးအစားများအတွက် စွယ်စုံရဖြစ်စေသော မော်ဒယ်-ကိုးကွယ်ယုံကြည်မှုနှင့် မော်ဒယ်-သီးသန့်ချဉ်းကပ်မှုများကို ပံ့ပိုးပေးပါသည်။

Alibi ၏ ထင်ရှားသော အင်္ဂါရပ်များထဲမှ တစ်ခုမှာ မော်ဒယ်တစ်ခု၏ ခန့်မှန်းချက်ကို ပြောင်းလဲစေမည့် အချက်အလက်ထည့်သွင်းမှု အနည်းငယ်သာ အပြောင်းအလဲများကို ဖော်ထုတ်ပေးသည့် ၎င်း၏ အတုအယောင် ရှင်းပြချက် မျိုးဆက်ဖြစ်သည်။ မော်ဒယ်ဆုံးဖြတ်ချက် နယ်နိမိတ်များကို နားလည်ရန်နှင့် မလိုလားအပ်သော ရလဒ်များကို လျော့ပါးသက်သာစေရန် မဟာဗျူဟာများ ဖော်ဆောင်ရန်အတွက် ဤစွမ်းရည်သည် အဖိုးတန်ပါသည်။

7. ELI5-

ELI5 သည် စက်သင်ယူမှုပုံစံများကို နားလည်နိုင်စေရန် အမှားရှာပြင်ဆင်ခြင်းနှင့် နားလည်လွယ်စေသည့် Python စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ၎င်းသည် scikit-learn၊ XGBoost နှင့် Keras အပါအဝင် ကျယ်ပြန့်သော မော်ဒယ်များကို ပံ့ပိုးပေးပြီး အင်္ဂါရပ်အရေးပါမှုနှင့် ဆုံးဖြတ်ချက်လမ်းကြောင်းများကို အလိုလိုသိမြင်နိုင်စေပါသည်။ ELI5 ၏ Jupyter မှတ်စုစာအုပ်များနှင့် ပေါင်းစည်းခြင်းသည် အပြန်အလှန် စူးစမ်းရှာဖွေခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် အဆင်ပြေသောကိရိယာတစ်ခု ဖြစ်စေသည်။

အမျိုးအစားခွဲခြင်းလုပ်ငန်းများတွင် ELI5 ကို မော်ဒယ်၏ဆုံးဖြတ်ချက်အတွက် အင်္ဂါရပ်တစ်ခုစီ၏ ပံ့ပိုးကူညီမှုကို မီးမောင်းထိုးပြပြီး တစ်ဦးချင်းခန့်မှန်းချက်များ၏ အသေးစိတ်ရှင်းလင်းချက်များကို ဖန်တီးရန် ELIXNUMX ကို အသုံးပြုနိုင်သည်။ ၎င်းသည် မော်ဒယ်စစ်ဆေးခြင်းအတွက် အထူးအသုံးဝင်ပြီး မော်ဒယ်အမူအကျင့်များကို နည်းပညာပိုင်းဆိုင်ရာ သက်ဆိုင်သူများထံ ဆက်သွယ်ရန်အတွက် အထူးအသုံးဝင်ပါသည်။

8. InterpretML-

InterpretML သည် မော်ဒယ်အနက်ပြန်ဆိုနိုင်မှုအတွက် ပြည့်စုံသောကိရိယာအစုံအလင်ကို ပေးဆောင်သည့် Microsoft မှ ဖန်တီးထားသည့် open-source စာကြည့်တိုက်တစ်ခုဖြစ်သည်။ ၎င်းသည် မွေးရာပါ အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော မှန်သေတ္တာမော်ဒယ်နှစ်ခုလုံးနှင့် မည်သည့်မော်ဒယ်အတွက်မဆို အသုံးချနိုင်သည့် blackbox ရှင်းပြချက်များကို ပံ့ပိုးပေးပါသည်။ Explainable Boosting Machine (EBM) ကဲ့သို့သော Glassbox မော်ဒယ်များကို ဆောက်လုပ်ရေးဖြင့် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်စေရန် ဒီဇိုင်းထုတ်ထားပြီး SHAP နှင့် LIME ကဲ့သို့ blackbox ရှင်းပြသူများသည် ရှုပ်ထွေးသောမော်ဒယ်များအတွက် နောက်ပိုင်းတွင် ရှင်းလင်းချက်များကို ပေးပါသည်။

InterpretML ၏ ဘက်စုံသုံးနိုင်မှုသည် ကျန်းမာရေးစောင့်ရှောက်မှုမှသည် ဘဏ္ဍာရေးအထိ ကျယ်ပြန့်သော applications များအတွက် သင့်လျော်ပြီး မော်ဒယ်ဆုံးဖြတ်ချက်များကို နားလည်ရန် အရေးကြီးပါသည်။ InterpretML ကို အသုံးချခြင်းဖြင့်၊ လေ့ကျင့်သူများသည် ၎င်းတို့၏ မော်ဒယ်များ ကောင်းမွန်စွာ လုပ်ဆောင်ရုံသာမက ကျင့်ဝတ်နှင့် စည်းမျဉ်းစည်းကမ်း စံနှုန်းများကိုပါ လိုက်နာကြောင်း သေချာစေနိုင်ပါသည်။

9. AIX360 (AI ရှင်းပြနိုင်မှု 360):

AIX360 သည် AI မော်ဒယ်များကို ရှင်းပြရန်အတွက် ပြည့်စုံသော algorithms အစုံကို ပံ့ပိုးပေးသည့် IBM မှ ဖန်တီးထားသော open-source toolkit တစ်ခုဖြစ်သည်။ ၎င်းသည် ဒေသတွင်းနှင့် ကမ္ဘာလုံးဆိုင်ရာ ရှင်းလင်းချက်များကို ပံ့ပိုးပေးကာ တစ်ဦးချင်း ခန့်မှန်းချက်များနှင့် အလုံးစုံ စံနမူနာပြုမှုဆိုင်ရာ ထိုးထွင်းသိမြင်မှုများကို ပေးဆောင်သည်။ AIX360 တွင် အင်္ဂါရပ်ထည့်သွင်းသတ်မှတ်မှု၊ စည်းမျဉ်းအခြေခံရှင်းလင်းချက်များနှင့် တန်ပြန်ခွဲခြမ်းစိတ်ဖြာမှုတို့အတွက် နည်းလမ်းများ ပါဝင်သည်။

AIX360 ၏ ကွဲပြားသော ကိရိယာအစုံသည် တရားမျှတမှု အကဲဖြတ်ခြင်းနှင့် စည်းမျဉ်းစည်းကမ်းသတ်မှတ်ချက်များနှင့် ကိုက်ညီမှု အပါအဝင် အမျိုးမျိုးသော အသုံးပြုမှုကိစ္စများအတွက် သင့်လျော်စေသည်။ ပွင့်လင်းမြင်သာပြီး အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော ရှင်းလင်းချက်များကို ပံ့ပိုးပေးခြင်းဖြင့် AIX360 သည် AI စနစ်များတွင် ယုံကြည်မှုတည်ဆောက်ရန် ကူညီပေးပြီး အရေးကြီးသော ဒိုမိန်းများတွင် ၎င်းတို့၏မွေးစားမှုကို လွယ်ကူချောမွေ့စေသည်။

10. H2O Driverless AI-

H2O Driverless AI သည် မော်ဒယ်အနက်ပြန်ဆိုနိုင်မှုအတွက် ပါ၀င်သော စွမ်းရည်များပါရှိသော အလိုအလျောက်စက်သင်ယူမှုပလက်ဖောင်းတစ်ခုဖြစ်သည်။ ၎င်းသည် ရှုပ်ထွေးသော မော်ဒယ်များကို ရှင်းပြရန် အင်္ဂါရပ်ဆိုင်ရာ အရေးကြီးသော ရမှတ်များ၊ တစ်စိတ်တစ်ပိုင်း မှီခိုမှု ကွက်ကွက်များနှင့် အငှားမော်ဒယ်များကို ပံ့ပိုးပေးပါသည်။ H2O Driverless AI သည် မော်ဒယ်စွမ်းဆောင်ရည်နှင့် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်မှုဆိုင်ရာ မက်ထရစ်များကို အကျဉ်းချုပ်ဖော်ပြသည့် အသေးစိတ်အစီရင်ခံစာများကို ထုတ်ပေးပြီး သုံးစွဲသူများအတွက် ၎င်းတို့၏မော်ဒယ်များကို နားလည်ယုံကြည်ရန် ပိုမိုလွယ်ကူစေသည်။

ဤကိရိယာများနှင့် မူဘောင်များသည် ၎င်း၏ အားသာချက်များနှင့် ကန့်သတ်ချက်များပါရှိသည့် ရှင်းပြနိုင်မှုဆိုင်ရာ ကွဲပြားသော ချဉ်းကပ်မှုများကို ကိုယ်စားပြုသည်။ XAI အတွက် ကိရိယာတစ်ခုကို ရွေးချယ်သောအခါ၊ ပညာရှင်များသည် မော်ဒယ်အမျိုးအစား၊ ဒေတာ၏ ရှုပ်ထွေးမှုနှင့် အပလီကေးရှင်းဒိုမိန်း၏ သီးခြားလိုအပ်ချက်များကဲ့သို့သော အချက်များကို ထည့်သွင်းစဉ်းစားသင့်သည်။ ဤကိရိယာများကို အသုံးချခြင်းဖြင့် developer များနှင့် data သိပ္ပံပညာရှင်များသည် AI စနစ်များ၏ ပွင့်လင်းမြင်သာမှုနှင့် တာဝန်ခံမှုကို မြှင့်တင်နိုင်ပြီး AI နည်းပညာများကို ပိုမိုယုံကြည်မှုနှင့် လက်ခံမှုကို မြှင့်တင်ပေးပါသည်။

အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ နက်ရှိုင်းသောအာရုံကြောကွန်ယက်များနှင့်ခန့်မှန်းသူများ:

Deep neural networks နှင့် estimators များတွင် နောက်ထပ်မေးခွန်းများနှင့် အဖြေများကို ကြည့်ပါ။

နောက်ထပ်မေးခွန်းများနှင့် အဖြေများ-

အောက်တွင် tag လုပ်ခဲ့သည် , , , , , , , , , ,