Академический Документы
Профессиональный Документы
Культура Документы
‹Voltar ao Blog
De Gurjeet Singh
9 de janeiro de 2016
OS DADOS , INTELIGÊNCIA DE MÁQUINA , MACHINE LEARNING , ANÁLISE
PREDITIVA
Essa é uma questão com a qual muitos cientistas de dados lutam ao se comunicar
com os negócios. Com toda a justiça, há muitas situações de negócios que exigem
que os modelos sejam transparentes, como:
https://www.ayasdi.com/blog/bigdata/5191-2/ 1/7
11/06/2019 Perscrutando a caixa preta | Ayasdi
Nesta postagem do blog, quero discutir uma solução para esse problema: separe o
modelo e a explicação.
Vamos começar entendendo o que é uma caixa preta, a nal? Um modelo de caixa
preta é qualquer modelo que um revisor humano não possa raciocinar. De um modo
geral, os únicos modelos de 'caixa branca' que parecem satisfazer essa restrição
são: árvores de decisão rasa ou modelos lineares esparsos. Ambos os modelos
tendem são bastante simples (por de nição) que você pode explicá-los para um
aluno da oitava série.
Bem, se você olhar para a linha de frente em qualquer campo, como visão
computacional, processamento de linguagem natural, etc., os modelos que
executam o melhor tendem a ser extremamente complicados ou precisam de
bilhões de parâmetros (especialmente em aprendizado profundo). É su ciente dizer
que, sempre que a alta precisão é uma preocupação, a complexidade do modelo
tende a ser alta.
Em vez de ter que escolher entre alta precisão e alta explicabilidade, isso pode ser
considerado um problema diferente. Há muitas maneiras de fazer isso, mas aqui
está um exemplo simples.
Imagine que recebamos o dataset X que contém N pontos e cada ponto no dataset
é um vetor d- dimensional. Além disso, nos é dada a saída do classi cador para
cada ponto como um vetor binário n- dimensional, f . Vamos dizer que X 0 é o
subconjunto de X, onde f é 0 e X 1 é o subconjunto de X, onde é 1. Aqui está um
algoritmo simples:
https://www.ayasdi.com/blog/bigdata/5191-2/ 2/7
11/06/2019 Perscrutando a caixa preta | Ayasdi
Para cada uma das d- dimensões de X 1 , encontre sua média. Vamos chamá-lo v
i para a i-ésima
Plataforma dimensão.
Parceiros Recursos Empresa Blog Solicite uma demonstraçã
Agora, ordenar a lista de colunas, por | u i -v i | / o i
Esse algoritmo retorna uma lista de colunas, classi cadas por sua 'contribuição'
para a saída nal do classi cador.
Espero que este breve exemplo demonstre que a complexidade de um modelo não
precisa ser uma barreira para a compreensão de um modelo.
Um último ponto
Uma das razões pelas quais a inteligência de máquina ainda não é difundida dentro
das empresas é que ela não é bem entendida. Nosso desejo de entender é uma
função de con ança. As empresas precisam con ar em seus modelos. À medida
que nossa compreensão da inteligência da máquina aumenta, nossa con ança
aumentará.
Por outro lado, podemos, como sociedade, optar por reduzir nossas exigências de
con ança se os resultados forem muito superiores. É minha convicção pessoal de
que este será o caminho que tomarmos com base nos ganhos extraordinários
apresentados por essas novas abordagens.
Utilizamos cookies para garantir que você tenha a melhor experiência em nosso site. Ao continuar a usar este site, você
concorda com o uso de cookies. Ok Leia mais
https://www.ayasdi.com/blog/bigdata/5191-2/ 3/7
11/06/2019 Perscrutando a caixa preta | Ayasdi
Até lá, vamos usar modelos de caixa branca para entender os modelos de caixa
preta.
Plataforma Parceiros Recursos Empresa Blog Solicite uma demonstraçã
Se você tiver dúvidas sobre alguns dos mecanismos descritos aqui, envie-me uma
nota @singhgurjeet.
The Janus Post: Olhando para trás e para frente com os regimes de mercado ›
Se inscrever
Segue
Twitter Facebook
LinkedIn Youtube
Google +
Utilizamos cookies para garantir que você tenha a melhor experiência em nosso site. Ao continuar a usar este site, você
concorda com o uso de cookies. Ok Leia mais
https://www.ayasdi.com/blog/bigdata/5191-2/ 4/7
11/06/2019 Perscrutando a caixa preta | Ayasdi
Baixe Agora
Postagens recentes
Mudando o mundo - um avanço cientí co de cada vez
Usando o Padrão HL7 FHIR para Gerenciamento de Variação Clínica
O duplo Chartis e Forbes
Desa o HealthTech vencedor da Accenture - Como o zemos
Um bom mês
Relacionamentos, Geometria e Inteligência Arti cial
Categorias
AML
Inteligência arti cial
Prêmios
Calcular
Cultura
Dados
Engenharia
Serviços nanceiros
Cuidados de saúde
Ciências da Vida
Utilizamos cookies para
Inteligência garantir que você tenha a melhor experiência em nosso site. Ao continuar a usar este site, você
de Máquina
concorda com o uso de cookies. Ok Leia mais
Aprendizado de Máquina
https://www.ayasdi.com/blog/bigdata/5191-2/ 5/7
11/06/2019 Perscrutando a caixa preta | Ayasdi
Notícia
Escritório do diretor de dados
Plataforma Parceiros Recursos Empresa Blog Solicite uma demonstraçã
Análise preditiva
Setor público
Topologia
Search Procurar
Últimas notícias
Hospital Flagler combina AI, Comitê Médico AI para reduzir a variação clínica e os
para Minimizar a Variação Clínica custos
Cuidados de saúde modernos - 11 DE Médico Semanal - 8 DE MARÇO DE 2019
MARÇO DE 2019
Melhores Práticas de Implementação: O futuro da Wall Street: Fintech 50 2019
Lidando com a Complexidade da IA Forbes - 4 DE FEVEREIRO DE 2019
Utilizamos cookies para garantir que você tenha a melhor experiência em nosso site. Ao continuar a usar este site, você
concorda com o uso de cookies. Ok Leia mais
https://www.ayasdi.com/blog/bigdata/5191-2/ 6/7
11/06/2019 Perscrutando a caixa preta | Ayasdi
Utilizamos cookies para garantir que você tenha a melhor experiência em nosso site. Ao continuar a usar este site, você
concorda com o uso de cookies. Ok Leia mais
https://www.ayasdi.com/blog/bigdata/5191-2/ 7/7