人工智能(AI)解释它像人类一样的决定?这并不像你想象的那么牵强。
在麻省理工学院林肯实验室智能与决策技术小组发表的一篇论文中(“ 设计的透明度：弥合视觉推理中的性能与可解释性之间的差距 ”)今年夏天在计算机视觉和模式识别会议(CVPR)上发表，研究人员描述了执行“人类”推理以回答有关世界的问题的系统 - 即图像的内容。
神经网络 - 被称为透明度设计网络(TbD-net) - 用热图描绘其视觉分析。在对照片进行解读时，它会以明亮，易于识别的颜色(用于研究人员的说法中的“注意力掩模”)突出显示感兴趣的项目，这些颜色代表模块的输出，或专门用于执行特定任务的小型神经网络。
麻省理工学院新闻报道称，“就像工人下线一样，每个模块都会在模块出现之前建立最终产生最终正确答案的模块。” “作为一个整体，TbD-net利用一种AI技术来解释人类语言问题并将这些句子分解为子任务，然后是多种计算机视觉AI技术来解释图像。”
那么它怎么能回答像“大金属立方体是什么颜色”这样的问题呢?首先，模块会隔离大对象。然后第二个模块将识别哪些对象是金属。第三个将查找符合先前标准的立方体，最后，第四个将确定对象的颜色。
在涉及85,000个训练图像和850,000个问题的测试中，TbD-net的准确度为98.7%，优于其他基于神经模块网络的方法。更重要的是，它实现了最先进的性能 - 99.1%的准确度 - 部分归功于它产生的热图插图，这使得研究人员可以非常精确地调整它以进行后续测试。
这篇论文的作者认为，对神经网络推理的这种洞察力可能对建立用户信任大有帮助。
最近几个月，许多公司，政府机构和独立研究人员试图解决人工智能中所谓的“黑匣子”问题 - 一些人工智能系统的不透明性 - 并取得了不同程度的成功。
2017年，美国国防高级研究计划局启动了DARPA XAI计划，旨在生产“玻璃盒”模型，在不牺牲性能的情况下轻松理解。今年8月，IBM的科学家们提出了一份人工智能的“情况说明书”，它将提供有关模型漏洞，偏见，对抗性攻击易感性和其他特征的信息。微软，IBM，埃森哲和Facebook开发了自动化工具来检测和减轻AI算法中的偏差。
“人工智能系统具有改变我们生活和工作方式的巨大潜力...... [但]这些[透明度]问题必须得到解决才能让人工智能服务得到信任，”IBM研究院和联合会的AI基金会负责人Aleksandra Mojsilovic说道。 8月份接受VentureBeat采访时，人工智能科学促进社会福利计划。
