Хорошо известно, что модели машинного обучения отлично справляются с широким кругом задач. Чтобы построить доверие к процессу ИИ, необходимо понять, как работают эти модели. Однако исследователи до сих пор не совсем понимают, как модели AI/ML используют те или иные аспекты или приходят к определенным выводам из-за сложности функций и алгоритмов, используемых для обучения этих моделей. Недавнее исследование, проведенное командой MIT, создает таксономию, чтобы помочь разработчикам создавать "признаки" для ML моделей, которые их целевой аудитории будет легче понять. В своей статье «Потребность в интерпретируемых функциях: мотивация и таксономия» они определяют свойства, которые делают функции более интерпретируемыми для создания таксономии. Они сделали это для пяти различных типов пользователей — от профессионалов в области искусственного интеллекта до тех, на кого может повлиять прогноз модели машинного обучения. Они также дают советы о том, как разработчики могут сделать функции более доступными для широкой публики. Новость: www.marktechpost.com/2022/07…nd-users Само описание работы: kdd.org/explora…ised.pdf