| Property |
Value |
| dbo:abstract
|
- La Inteligencia artificial explicable (XAI) refiere a métodos y técnicas en la aplicación de tecnología de inteligencia artificial (AI) tal que los resultados de la solución pueden ser entendidos por humanos expertos. Contrasta con el concepto de la "caja negra" en aprendizaje automático (del ingles, machine learning) donde incluso sus diseñadores no pueden explicar por qué el IA llegados en una decisión concreta. XAI es una implementación del social . El reto técnico de explicar las decisiones de IA es a veces sabidas como el problema de interpretabilidad. Otra consideración es info-besity (sobrecarga de información), así, la transparencia total no puede ser siempre posible o incluso requerida. Aun así, la simplificación a costo de engañar usuarios para aumentar la confianza o esconder los atributos indeseables del sistema tendrían que ser evitados permitiendo un equilibrio entre la interpretabilidad y la integridad de una explicación . Los sistemas de IA optimizan el comportamiento para satisfacer un sistema de objetivos matemáticamente especificado elegido por los diseñadores del sistema, como el comando "maximizar la precisión de evaluar qué tan positivas son las críticas de películas en el conjunto de datos de prueba". La IA puede aprender reglas generales útiles del conjunto de pruebas, como "las revisiones que contienen la palabra 'horrible'" probablemente sean negativas ". Sin embargo, también puede aprender reglas inapropiadas, como "las revisiones que contienen 'Daniel Day-Lewis' suelen ser positivas"; tales reglas pueden ser indeseables si se considera que es probable que no se generalicen fuera del conjunto de pruebas, o si las personas consideran que la regla es "trampa" o "injusta".Un humano puede auditar las reglas en un XAI para tener una idea de la probabilidad de que el sistema se generalice a datos futuros del mundo real fuera del conjunto de pruebas. (es)
- La Inteligencia artificial explicable (XAI) refiere a métodos y técnicas en la aplicación de tecnología de inteligencia artificial (AI) tal que los resultados de la solución pueden ser entendidos por humanos expertos. Contrasta con el concepto de la "caja negra" en aprendizaje automático (del ingles, machine learning) donde incluso sus diseñadores no pueden explicar por qué el IA llegados en una decisión concreta. XAI es una implementación del social . El reto técnico de explicar las decisiones de IA es a veces sabidas como el problema de interpretabilidad. Otra consideración es info-besity (sobrecarga de información), así, la transparencia total no puede ser siempre posible o incluso requerida. Aun así, la simplificación a costo de engañar usuarios para aumentar la confianza o esconder los atributos indeseables del sistema tendrían que ser evitados permitiendo un equilibrio entre la interpretabilidad y la integridad de una explicación . Los sistemas de IA optimizan el comportamiento para satisfacer un sistema de objetivos matemáticamente especificado elegido por los diseñadores del sistema, como el comando "maximizar la precisión de evaluar qué tan positivas son las críticas de películas en el conjunto de datos de prueba". La IA puede aprender reglas generales útiles del conjunto de pruebas, como "las revisiones que contienen la palabra 'horrible'" probablemente sean negativas ". Sin embargo, también puede aprender reglas inapropiadas, como "las revisiones que contienen 'Daniel Day-Lewis' suelen ser positivas"; tales reglas pueden ser indeseables si se considera que es probable que no se generalicen fuera del conjunto de pruebas, o si las personas consideran que la regla es "trampa" o "injusta".Un humano puede auditar las reglas en un XAI para tener una idea de la probabilidad de que el sistema se generalice a datos futuros del mundo real fuera del conjunto de pruebas. (es)
|
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageLength
| |
| dbo:wikiPageRevisionID
| |
| prop-es:accessDate
| |
| prop-es:class
|
- cs.CV (es)
- cs.LG (es)
- cs.CV (es)
- cs.LG (es)
|
| prop-es:date
|
- 2 (xsd:integer)
- 6 (xsd:integer)
- 12 (xsd:integer)
- 14 (xsd:integer)
- 17 (xsd:integer)
- 23 (xsd:integer)
- 25 (xsd:integer)
|
| prop-es:eprint
|
- 161204757 (xsd:integer)
- 170407911 (xsd:integer)
- 170701943 (xsd:integer)
|
| prop-es:first
|
- Philip (es)
- Urs (es)
- Will (es)
- Anna (es)
- David (es)
- Lawrence (es)
- Bernhard (es)
- Marcus (es)
- Trevor (es)
- Krzysztof (es)
- Mariusz (es)
- Bernt (es)
- Zeynep (es)
- Dong Huk (es)
- Lisa Anne (es)
- Tommi S. (es)
- Philip (es)
- Urs (es)
- Will (es)
- Anna (es)
- David (es)
- Lawrence (es)
- Bernhard (es)
- Marcus (es)
- Trevor (es)
- Krzysztof (es)
- Mariusz (es)
- Bernt (es)
- Zeynep (es)
- Dong Huk (es)
- Lisa Anne (es)
- Tommi S. (es)
|
| prop-es:last
|
- Schiele (es)
- Knight (es)
- Rohrbach (es)
- Muller (es)
- Park (es)
- Hendricks (es)
- Yeres (es)
- Darrell (es)
- Akata (es)
- Alvarez-Melis (es)
- Bojarski (es)
- Choromanska (es)
- Choromanski (es)
- Firner (es)
- Jaakkola (es)
- Jackel (es)
- Schiele (es)
- Knight (es)
- Rohrbach (es)
- Muller (es)
- Park (es)
- Hendricks (es)
- Yeres (es)
- Darrell (es)
- Akata (es)
- Alvarez-Melis (es)
- Bojarski (es)
- Choromanska (es)
- Choromanski (es)
- Firner (es)
- Jaakkola (es)
- Jackel (es)
|
| prop-es:ref
| |
| prop-es:title
|
- Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car (es)
- End-to-End Deep Learning for Self-Driving Cars (es)
- DARPA is funding projects that will try to open up AI's black boxes (es)
- Similarity Cracks the Code Of Explainable AI (es)
- What is the Explainable-Ai and why is important (es)
- FATML Workshop on Fairness, Accountability, and Transparency in Machine Learning (es)
- Explaining How End-to-End Deep Learning Steers a Self-Driving Car (es)
- Explainable AI: Making machines understandable for humans (es)
- 'Explainable Artificial Intelligence': Cracking open the black box of AI (es)
- FAT* Conference on Fairness, Accountability, and Transparency (es)
- A causal framework for explaining the predictions of black-box sequence-to-sequence models (es)
- Attentive Explanations: Justifying Decisions and Pointing to the Evidence (es)
- Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car (es)
- End-to-End Deep Learning for Self-Driving Cars (es)
- DARPA is funding projects that will try to open up AI's black boxes (es)
- Similarity Cracks the Code Of Explainable AI (es)
- What is the Explainable-Ai and why is important (es)
- FATML Workshop on Fairness, Accountability, and Transparency in Machine Learning (es)
- Explaining How End-to-End Deep Learning Steers a Self-Driving Car (es)
- Explainable AI: Making machines understandable for humans (es)
- 'Explainable Artificial Intelligence': Cracking open the black box of AI (es)
- FAT* Conference on Fairness, Accountability, and Transparency (es)
- A causal framework for explaining the predictions of black-box sequence-to-sequence models (es)
- Attentive Explanations: Justifying Decisions and Pointing to the Evidence (es)
|
| prop-es:url
| |
| prop-es:website
|
- Computerworld (es)
- MIT Technology Review (es)
- Parallel Forall (es)
- simMachines (es)
- Explainable AI: Making machines understandable for humans (es)
- Computerworld (es)
- MIT Technology Review (es)
- Parallel Forall (es)
- simMachines (es)
- Explainable AI: Making machines understandable for humans (es)
|
| dct:subject
| |
| rdfs:comment
|
- La Inteligencia artificial explicable (XAI) refiere a métodos y técnicas en la aplicación de tecnología de inteligencia artificial (AI) tal que los resultados de la solución pueden ser entendidos por humanos expertos. Contrasta con el concepto de la "caja negra" en aprendizaje automático (del ingles, machine learning) donde incluso sus diseñadores no pueden explicar por qué el IA llegados en una decisión concreta. XAI es una implementación del social . (es)
- La Inteligencia artificial explicable (XAI) refiere a métodos y técnicas en la aplicación de tecnología de inteligencia artificial (AI) tal que los resultados de la solución pueden ser entendidos por humanos expertos. Contrasta con el concepto de la "caja negra" en aprendizaje automático (del ingles, machine learning) donde incluso sus diseñadores no pueden explicar por qué el IA llegados en una decisión concreta. XAI es una implementación del social . (es)
|
| rdfs:label
|
- Inteligencia artificial explicable (es)
- Inteligencia artificial explicable (es)
|
| prov:wasDerivedFrom
| |
| foaf:isPrimaryTopicOf
| |
| is foaf:primaryTopic
of | |
