Explainable AI Within the Digital Transformation and Cyber Physical Systems: XAI Methods and Applications

ویرایش: [1 ed.] 
نویسندگان: Moamar Sayed-Mouchaweh  
سری:  
ISBN (شابک) : 3030764087, 9783030764081 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 208
[201] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 Mb 

قیمت کتاب (تومان) : 54,000

این کتاب هوش مصنوعی قابل توضیح (XAI) را ارائه می‌کند که هدف آن تولید مدل‌های قابل توضیح است که کاربران انسانی را قادر می‌سازد تا نتایج به‌دست‌آمده را درک کرده و به طور مناسب به آن اعتماد کنند. نویسندگان چالش‌های موجود در توضیح‌پذیر ساختن هوش مصنوعی مبتنی بر یادگیری ماشین را مورد بحث قرار می‌دهند. اولاً، اینکه توضیحات باید با ذینفعان مختلف (کاربران نهایی، سیاست گذاران، صنایع، شرکت های برق و غیره) با سطوح مختلف دانش فنی (مدیران، مهندسان، تکنسین ها و غیره) در حوزه های کاربردی مختلف تطبیق داده شود. ثانیاً، ایجاد چارچوب و استانداردهای ارزیابی به منظور سنجش اثربخشی توضیحات ارائه شده در سطوح انسانی و فنی مهم است. این کتاب مشارکت‌های تحقیقاتی را با هدف توسعه و/یا استفاده از تکنیک‌های XAI به منظور رسیدگی به چالش‌های ذکر شده در کاربردهای مختلف مانند مراقبت‌های بهداشتی، مالی، امنیت سایبری و خلاصه‌سازی اسناد جمع‌آوری می‌کند. این امکان برجسته کردن مزایا و الزامات استفاده از مدل‌های قابل توضیح در حوزه‌های کاربردی مختلف را فراهم می‌کند تا به خوانندگان راهنمایی برای انتخاب مناسب‌ترین مدل‌ها با مشکل و شرایط خاص خود ارائه دهد.

• شامل اخیر می‌شود. توسعه استفاده از هوش مصنوعی قابل توضیح (XAI) به منظور رسیدگی به چالش‌های انتقال دیجیتال و سیستم‌های فیزیکی سایبری؛
• توضیح علمی متنی استفاده از XAI را به منظور رسیدگی به چالش‌های موجود ارائه می‌کند. انتقال دیجیتال و سیستم های فیزیکی-سایبری؛
• نمونه ها و مطالعات موردی را به منظور افزایش شفافیت و درک مفاهیم روش شناختی ارائه می دهد.

This book presents Explainable Artificial Intelligence (XAI), which aims at producing explainable models that enable human users to understand and appropriately trust the obtained results. The authors discuss the challenges involved in making machine learning-based AI explainable. Firstly, that the explanations must be adapted to different stakeholders (end-users, policy makers, industries, utilities etc.) with different levels of technical knowledge (managers, engineers, technicians, etc.) in different application domains. Secondly, that it is important to develop an evaluation framework and standards in order to measure the effectiveness of the provided explanations at the human and the technical levels. This book gathers research contributions aiming at the development and/or the use of XAI techniques in order to address the aforementioned challenges in different applications such as healthcare, finance, cybersecurity, and document summarization. It allows highlighting the benefits and requirements of using explainable models in different application domains in order to provide guidance to readers to select the most adapted models to their specified problem and conditions.

• Includes recent developments of the use of Explainable Artificial Intelligence (XAI) in order to address the challenges of digital transition and cyber-physical systems;
• Provides a textual scientific description of the use of XAI in order to address the challenges of digital transition and cyber-physical systems;
• Presents examples and case studies in order to increase transparency and understanding of the methodological concepts.