解釈可能なai

ＡＩモデルの透明性と解釈可能性、そして説明可能性の追求は、エラーやバイアスを最小限に抑え、予測結果の信頼性・公平性を高め「責任あるＡＩ」を実現するために重要な分野です。本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とＰｙｔｈｏｎによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なＡＩ」に至るための道を示しています。

目次 : 第１部　解釈可能性の基礎（はじめに/ ホワイトボックスモデル）/ 第２部　モデルの処理の解釈（モデルに依存しない方法：大域的な解釈可能性/ モデルに依存しない方法：局所的な解釈可能性/ 顕著性マップ）/ 第３部　モデルの表現の解釈（層とユニットを理解する/ 意味的な類似性を理解する）/ 第４部　公平性とバイアス（公平性とバイアスの軽減/ 説明可能なＡＩへの道）/ Ａｐｐｅｎｄｉｘ　巻末付録（セットアップを行う/ ＰｙＴｏｒｃｈ/ 日本語版付録　日本語を扱う）

【著者紹介】
AjayThampi : 機械学習に強いバックグラウンドを持っており、博士号は信号処理と機械学習がテーマ。強化学習、凸最適化、５Ｇセルラーネットワークに適用される古典的な機械学習技術をテーマに、主要なカンファレンスやジャーナルで論文を発表している。現在は、大手テック企業で主に責任あるＡＩと公平性を専門に機械学習エンジニアとして活躍しており、マイクロソフトのリードデータサイエンティストとして、製造業、小売業、金融業など様々な業界の顧客に対して、複雑なＡＩソリューションをデプロイする仕事を担当した経験を持つ（本データはこの書籍が刊行された当時に掲載されていたものです）