工业可解释AI九讲视频解析

在2020年首次线上举办的Web Conference会议上，来自某中心AWS机器学习团队的首席科学家Krishnaram Kenthapadi与某机构等行业同仁共同呈现了九部分教程《工业可解释AI》。该教程首先聚焦理论基础，随后通过多个行业案例展开分析。

人工智能在从抵押贷款到药物研发等领域具有巨大潜力，因此研究人员、监管机构和组织需要全面理解AI应用如何通过机器学习模型预测产生建议，或强化学习模型如何"学会"执行特定任务。

“人工智能日益成为决定我们日常体验的关键因素，“Kenthapadi解释道，“随着AI解决方案在招聘、借贷、司法、医疗和教育等领域的普及，其带来的个人和专业影响十分深远。”

“AI模型在这些领域的主导作用引发了对其潜在偏差的担忧，以及对模型透明度和可解释性的需求，“Kenthapadi继续指出，“此外，在需要可靠性和安全性的高风险领域（如医疗和自动驾驶）以及关键应用（包括预测性维护、自然资源勘探和气候变化建模）中，模型可解释性是建立对AI系统信任和采用的前提条件。”

教程首先从业务、模型和监管角度阐述可解释AI的必要性，并介绍作为AI和机器学习系统核心组件的可解释性工具与技术。随后通过搜索推荐系统、招聘、医疗和借贷等领域的案例研究，展示可解释性技术在工业界的应用实践，分享在多个网络级应用中部署可解释模型时遇到的实际挑战和经验教训。

教程最后指出了数据挖掘和机器学习社区面临的开放性问题与研究方向。该教程最初在去年夏天的KDD会议上首次展示，主讲人包括某机构创始人兼CEO、某机构数据挖掘与机器学习高级软件工程师等专家。

教程章节概览

第1部分 - 介绍、动机与挑战
第2部分 - 可解释AI技术概述
第3部分 - 基础：个体预测解释
第4部分 - 基础：全局解释
第5部分 - 案例研究：某机构多样性洞察
第6部分 - 案例研究：某机构人才搜索
第7部分 - 案例研究：某机构相关性调试与解释
第8部分 - 糖尿病视网膜病变及其他案例研究
第9部分 - 开放问题、研究挑战与总结

该系列教程为行业从业者提供了从理论到实践的全方位指导，特别是在构建可信赖的AI系统方面具有重要参考价值。