XAI – eXplainableAI 

Communauté d’assistance GitHub Interprétabilité du modèle

XAI est une bibliothèque d’apprentissage automatique conçue avec l’explicabilité de l’IA en son cœur. XAI contient divers outils permettant l’analyse et l’évaluation des données et des modèles. La bibliothèque XAI est gérée par l’Institute for Ethical AI & ML et a été développée sur la base des 8 principes de l’apprentissage automatique responsable.

Nous considérons le défi de l’explicabilité comme plus qu’un simple défi algorithmique, qui nécessite une combinaison des meilleures pratiques de la science des données avec des connaissances spécifiques au domaine. La bibliothèque XAI est conçue pour permettre aux ingénieurs en apprentissage automatique et aux experts du domaine concerné d’analyser la solution de bout en bout et d’identifier les écarts pouvant entraîner des performances sous-optimales par rapport aux objectifs requis. Plus largement, la bibliothèque XAI est conçue à l’aide des 3 étapes de l’apprentissage automatique explicable, qui impliquent 1) l’analyse des données, 2) l’évaluation du modèle et 3) le suivi de la production.

Caractéristiques

Explications de l’IA : recevez un score expliquant la contribution de chaque facteur aux prédictions du modèle dans AutoML Tables, dans votre bloc-notes ou via l’API de prédiction Vertex AI. Lisez la documentation d’explication de la partition.

Outil de simulation : étudiez les performances du modèle pour une gamme de fonctionnalités de votre ensemble de données, les stratégies d’optimisation et même les manipulations de valeurs de points de données individuelles à l’aide de l’outil de simulation intégré à Vertex AI.

Évaluation continue : échantillonnez la prédiction à partir de modèles de machine learning entraînés et déployés sur Vertex AI. Fournissez des étiquettes de vérité terrain pour les entrées de prédiction à l’aide de la capacité d’évaluation continue. Le service d’étiquetage des données compare les prédictions du modèle avec les étiquettes de vérité terrain pour vous aider à améliorer les performances du modèle.

Site officiel

Tutoriel et documentation

Enter your contact information to continue reading