为什么我同意Geoff Hinton的观点：我相信可解释的AI被媒体过度炒作了
我实际上倾向于同意杰夫。
可解释的人工智能被媒体高估和炒作。
我很高兴他的个子高喊
需要澄清的是，我并不是说可解释性，透明性和可解释性并不重要（Geoff Hinton也不重要）
整个行业如雨后春笋般冒出一种商业模式，这种模式使所有人都对AI难以解释产生了恐惧。
他们使用诸如歧视之类的词来制造震惊感。
但是，对于初学者-在大多数西方国家-我们已经有了禁止歧视的法律。
无论媒介（AI），这些都是有效的
现在，让我们看一下可解释性本身。
Google的Cassie Kozyrkov正确地指出：“一切都归结为您如何应用算法。如果您根据项目目标来进行讨论，则无可争辩。”。
从最简单的意义上讲，这意味着如果您需要提供可解释性–您可以运行另一种可以解释结果的算法（例如基于树的算法）（例如，可以为拒绝贷款提供解释）
另一个很棒的资源是克里斯托弗·莫纳尔（Christoph molnar）的关于可解释性的免费书
我强烈推荐它，因为它显示了问题的复杂性和多方面性
例如，这本书谈到：
没有可解释性的数学定义。
可解释性具有分类法
包括特定方面：本征或事后，特征摘要统计，特征摘要可视化，模型内部（例如，学习的权重），数据点，本征可解释模型，特定于模型还是不可知模型，局部或全局？
可解释性的范围：算法透明度，全局，整体，模块化，局部，用于单个预测等
可解释性评估：应用程序级别评估（实际任务），人员级别评估（简单任务），功能级别评估（代理任务）
解释方法的属性：表达，半透明，可移植性，算法复杂性
个别说明的属性：准确性，保真度，一致性，稳定性，可理解性，确定性，重要性程度，新颖性，代表性：
好的解释是对比性的，选择性的，社交性的，专注于异常的，真实的，与被解释者的先前信念一致的，一般性的和可能的。
最后，）对可解释的人工智能以及为什么需要它做了很好的介绍。
通过共享这些链接，我希望我们可以提高讨论的水平
总而言之，我认为可解释性是特定于上下文（项目/问题）的
从业务角度看，问题有很多方面/可能的解决方案
1