Explainable AI (ex-AI)

dc.contributor.author	Holzinger, Andreas
dc.date.accessioned	2018-04-13T18:33:31Z
dc.date.available	2018-04-13T18:33:31Z
dc.date.issued	2018
dc.description.abstract	,,Explainable AI“ ist kein neues Gebiet. Vielmehr ist das Problem der Erklärbarkeit so alt wie die AI selbst, ja vielmehr das Resultat ihrer selbst. Während regelbasierte Lösungen der frühen AI nachvollziehbare ,,Glass-Box“-Ansätze darstellten, lag deren Schwäche im Umgang mit Unsicherheiten der realen Welt. Durch die Einführung probabilistischer Modellierung und statistischer Lernmethoden wurden die Anwendungen zunehmend erfolgreicher – aber immer komplexer und opak. Beispielsweise werden Wörter natürlicher Sprache auf hochdimensionale Vektoren abgebildet und dadurch für Menschen nicht mehr verstehbar. In Zukunft werden kontextadaptive Verfahren notwendig werden, die eine Verknüpfung zwischen statistischen Lernmethoden und großen Wissensrepräsentationen (Ontologien) herstellen und Nachvollziehbarkeit, Verständlichkeit und Erklärbarkeit erlauben – dem Ziel von ,,explainable AI“.	de
dc.identifier.doi	10.1007/s00287-018-1102-5
dc.identifier.pissn	1432-122X
dc.identifier.uri	https://dl.gi.de/handle/20.500.12116/16426
dc.language.iso	de
dc.publisher	Springer-Verlag
dc.relation.ispartof	Informatik Spektrum: Vol. 41, No. 2
dc.title	Explainable AI (ex-AI)	de
dc.type	Text/Journal Article
gi.citation.endPage	143
gi.citation.publisherPlace	Berlin Heidelberg
gi.citation.startPage	138
gi.conference.sessiontitle	Aktuelles Schlagwort

Sammlungen