Wɔ me asɛm a etwa to no mu no, yɛde nokware a ɛyɛ fapem sii hɔ: sɛ wɔn a wɔde di dwuma no betumi agye AI atom na wɔde wɔn ho ato so a, ɛsɛ sɛ wonya mu ahotoso. Yɛkaa ahotosoɔ ho asɛm sɛ ɛyɛ adeyɛ a ɛwɔ afã ahodoɔ pii, a wɔasi wɔ adwene a ɛfa AI’s Ability, Benevolence, Integrity, and Predictability ho. Nanso dɛn na ɛba bere a AI bi, wɔ ne nyansa a ɛyɛ komm, algorithmic mu, si gyinae bi a ɛma obi a ɔde di dwuma no adwene tu fra, n’abam bu, anaasɛ ɔpira mpo no? Wɔpow dan ka ho akwammisa krataa, dwom bi a n’ani gye ho nni nnwom a wɔahyehyɛ mu mpofirim, na wɔpow krataa a wɔde kyerɛw krataa a ɛfata ansa na onipa ahu da. Wɔ saa mmere yi mu no, tumi ne nea wotumi hyɛ ho nkɔm no sɛe, na ayamye te nka sɛ wiase bi akɔ akyirikyiri. Ɛsɛ sɛ yɛn nkɔmmɔbɔ mprempren fi nea enti a ahotoso wɔ hɔ no so kɔ sɛnea wɔyɛ no pefee so. Explainable AI (XAI) afã, a ɛtwe adwene si akwan a wɔbɛfa so ama nnipa ate AI a efi mu ba no ase so no apue sɛ wɔde bedi eyi ho dwuma, nanso wɔtaa hyehyɛ no sɛ mfiridwuma mu asɛnnennen ara kwa ma data nyansahufo. Megye akyinnye sɛ ɛyɛ adwini ho asɛnnennen a ɛho hia ma nneɛma a ɛde ne ho to AI so. Ɛyɛ yɛn adwuma sɛ UX adwumayɛfoɔ sɛ yɛbɛsiesie nsonsonoeɛ a ɛda algorithmic gyinaesie ne nnipa nteaseɛ ntam. Saa asɛm yi de akwankyerɛ a mfaso wɔ so, a wotumi de di dwuma ma wɔ sɛnea wɔbɛyɛ nhwehwɛmu na wɔayɛ nhyehyɛe ama wɔatumi akyerɛkyerɛ mu ho. Yɛbɛkɔ akyiri asen buzzwords na akɔ mockups no mu, akyerɛ XAI adwene a ɛyɛ den ase akɔ concrete design patterns a wobɛtumi ahyɛ aseɛ de adi dwuma nnɛ. De-mystifying XAI: Nsusuwii Titiriw Ma UX Nnwumayɛfo XAI fa asɛmmisa a ɔde di dwuma no ho mmuaema ho: “Dɛn ntia?” Dɛn nti na wɔde saa dawurubɔ yi kyerɛɛ me? Dɛn nti na wɔkamfo sini yi kyerɛ me? Dɛn nti na wɔpoo m’abisade no? Fa no sɛ AI a ɛkyerɛ n’adwuma wɔ akontaabu mu ɔhaw bi ho. Sɛ enni hɔ a, wowɔ mmuae ara kwa, na wɔhyɛ wo sɛ fa no to gyidi so. Wɔ anammɔn a wobɛkyerɛ mu no, wunya ntease ne ahotoso. Woma kwan nso ma wɔhwɛ w’adwuma no mu mprenu na nnipa ankasa a ɛka wɔn no di ho adanse. Feature Hia Ne Nea Ɛko Tia Akwan ahorow bi wɔ hɔ a yebetumi afa so ama nea ɛrekɔ so wɔ AI mu no mu ada hɔ anaa akyerɛkyerɛ mu. Bere a akwan no firi gyinaesi dua mu nteaseɛ nyinaa a wɔde ma so kɔsi abɔdeɛ kasa mu nsɛm tiawa a wɔde bɛma wɔ aba bi ho no, nsɛm ahodoɔ mmienu a mfasoɔ wɔ so na ɛwɔ nkɛntɛnsoɔ paa a UX adwumayɛfoɔ bɛtumi de aba osuahu bi mu ne feature importance (Mfonini 1) ne counterfactuals. Eyinom taa yɛ nea ɛyɛ tẽẽ sen biara ma wɔn a wɔde di dwuma no sɛ wɔbɛte ase na ɛyɛ nea wotumi yɛ ho biribi sen biara ma adwumfo de di dwuma.
Feature a Ɛho Hia Saa ɔkwan a wɔfa so kyerɛkyerɛ mu yi bua sɛ, “Nneɛma bɛn na ɛho hia paa a AI no susuw ho?” Ɛfa sɛ yɛbɛhunu nsakraeɛ 2-3 a ɛwɔ soro a ɛnya nkɛntɛnsoɔ kɛseɛ wɔ nea ɛfirii mu baeɛ no so. Ɛyɛ asɛmti no, ɛnyɛ asɛm no nyinaa. Nhwɛsoɔ: Fa no sɛ AI bi a ɛkyerɛ sɛ ebia adetɔfoɔ bi bɛ churn (atwa wɔn som mu). Ebia nneɛma a ɛho hia no bɛda no adi sɛ “mmoa frɛ dodow a wɔfrɛɛ wɔn wɔ ɔsram a etwaam no mu” ne “nnansa yi nneɛma bo a ɛkɔɔ soro” ne nneɛma abien a ɛho hia sen biara a ɛma wohu sɛ ebia ɛbɛyɛ sɛ adetɔfo bi bɛbɔ wɔn ho ban anaa.
Nsɛm a ɛne no bɔ abira Saa kwan a tumi wom yi bua sɛ, “Dɛn na anka ebehia sɛ mesesa na ama manya nea efi mu ba foforo?” Eyi ho hia efisɛ ɛma wɔn a wɔde di dwuma no te nka sɛ wɔpɛ sɛ wɔyɛ biribiara. Ɛdan “dabi” a ɛyɛ abasamtu ma ɛbɛyɛ nea wotumi yɛ ho biribi “ennya nyɛɛ saa.” Nhwɛso: Fa no sɛ boseabɔ nhyehyɛe bi a ɛde AI di dwuma. Wɔpow obi a ɔde di dwuma sɛ ɔbɛbɔ bosea. Sɛ́ anka wobehu “Application Denied” kɛkɛ no, nkyerɛkyerɛmu a ɛne no bɔ abira nso bɛka sɛ, “Sɛ wo boseabɔ ho nkyerɛwde no korɔn nsɛntitiriw 50, anaasɛ sɛ wo boseabɔ ne sika a wonya no sua 10% a, anka wɔbɛpene wo boseabɔ no so.” Eyi ma Sarah nya anammɔn a emu da hɔ a obetumi ayɛ ho biribi a obetumi ayɛ na ama watumi anya bosea daakye.
Model Data a Wɔde Di Dwuma De Ma Nkyerɛkyerɛmu No Nkɔanim Ɛwom sɛ mfiridwuma mu nsɛm pɔtee no taa yɛ nea data nyansahufo di ho dwuma de, nanso ɛboa ma UX adwumayɛfo sɛ wobehu sɛ wɔtaa de nnwinnade te sɛ LIME (Local Interpretable Model-agnostic Explanations) a ɛkyerɛkyerɛ ankorankoro nkɔmhyɛ mu denam bɛyɛ a ɛbɛn nhwɛsode no wɔ mpɔtam hɔ so, ne SHAP (SHapley Additive exPlanations) a ɛde agodie ho nsusuwii kwan di dwuma de kyerɛkyerɛ nea efi mfiri adesua nhwɛso biara mu ba no mu “dɛn nti na” nhumu ahorow a efi nhwɛso ahorow a ɛyɛ den mu. Saa nhomakorabea ahorow yi boa titiriw ma wɔbubu AI’s gyinaesi a ɛkyerɛ sɛ nneɛma a wɔde hyɛɛ mu no nyaa nkɛntɛnso kɛse maa nea efii mu bae a wɔde ama no. Sɛ wɔyɛ no yiye a, wobetumi de data a ɛhyɛ AI adwinnade bi gyinaesi ase no adi dwuma de aka asɛm a tumi wom. Momma yɛnnantew feature hia ne counterfactuals mu na yɛnkyerɛ sɛnea wobetumi de data nyansahu a ɛwɔ gyinaesi no akyi no adi dwuma de ama nea ɔde di dwuma no osuahu ayɛ kɛse. Afei momma yɛncover feature importance with the assistance of Local Explanations (e.g., LIME) data: Saa kwan yi bua sɛ, “Dɛn nti na AI no de nyansahyɛ pɔtee yi maa me, mprempren yi ara?” Sɛ́ anka ɛde nkyerɛkyerɛmu a ɛkɔ akyiri bɛma wɔ sɛnea nhwɛso no yɛ adwuma ho no, ɛde ntease a wɔde wɔn adwene asi so ma wɔ nhwɛso biako pɛ a ɛyɛ pɔtee ho. Ɛyɛ ankorankoro ne nsɛm a ɛfa ho. Nhwɛso: Fa no sɛ nnwom ho nyansahyɛ nhyehyɛe a AI na ɛyɛ adwuma te sɛ Spotify. Ná ɛhɔnom nkyerɛkyerɛmu bi bebua sɛ, “Dɛn nti na nhyehyɛe no kamfoo Adele dwom pɔtee yi kyerɛɛ wo mprempren yi ara?” Nkyerɛkyerɛmu no betumi ayɛ sɛ: “Efisɛ nnansa yi ara wutiee nnwom foforo pii a ɛkanyan nkate ne nnwom a mmea nnwontofo tom.”
Awiei koraa no, momma yɛnka Nkyerɛkyerɛmu a egyina Botae so (e.g. Shapley Additive Explanations (SHAP) data a wɔde kaa gyinaesi bi ho nkyerɛkyerɛmu ho: Eyi yɛ afã a ɛho hia ho nkyerɛase a ɛyɛ nuanced kɛse a ɛbua sɛ, “Ɛbɛyɛ dɛn na ade biara piaa gyinaesi no ɔkwan biako so anaa ɔkwan foforo so?’ Ɛboa ma wohu nea na ɛho hia no wɔ w’adwenem, ne sɛ ebia na ne nkɛntɛnso no yɛ papa anaasɛ enye. Nhwɛsoɔ: Fa no sɛ sikakorabea bi de AI nhwɛsoɔ di dwuma de si gyinaeɛ sɛ wɔbɛpene boseabɔ akwammisa krataa so anaa.
Feature Importance: Ebia model output no bɛkyerɛ sɛ applicant’s credit score, sika a onya, ne ɛka ne sika a onya no nsusuwii ne nneɛma a ɛho hia sen biara wɔ ne gyinaesi no mu. Eyi bua nea na ɛho hia no. Feature Importance with Value-Based Explanations (SHAP): SHAP values bɛfa feature hia a ɛho hia akɔ akyiri a egyina model no mu nneɛma so.
Wɔ bosea a wɔapene so ho no, ebia SHAP bɛkyerɛ sɛ boseabɔ ho nkontaahyɛde a ɛkorɔn no piaa gyinaesi no kɛse kɔɔ pene a wɔpene so (nkɛntɛnso pa), bere a ɛka a ɛkɔ soro kakra sen sɛnea wɔkyekyem pɛpɛɛpɛ no, ɛtwee no fii hɔ kakra (nkɛntɛnso bɔne), nanso ɛnnɔɔso sɛ ɛbɛpow bosea no. Wɔ bosea a wɔpow ho no, SHAP betumi ada no adi sɛ sika a wonyae a ɛba fam ne boseabɔ ho nsɛm a wobisabisaa wɔn nnansa yi dodow a ɛkɔ soro no piaa gyinaesi no denneennen kɔɔ pow mu, sɛ mpo boseabɔ ho nkontaahyɛde no fata a.
Eyi boa boseabɔ sohwɛfo no ma ɔkyerɛkyerɛ mu kyerɛ nea ɔrehwehwɛ bosea no kɔ akyiri sen nea wosusuw ho, sɛnea ade biara boaa ma wosii “yiw” anaa “dabi” gyinaesi a etwa to no mu. Ɛho hia sɛ yehu sɛ tumi a wɔde ma nkyerɛkyerɛmu pa no taa fi ase ntɛm kɛse wɔ nkɔso kyinhyia no mu. Data ho nyansahufo ne mfiridwumayɛfo di dwuma titiriw denam nhwɛso ahorow ne data nhama a wɔhyɛ da hyehyɛ wɔ akwan horow a ɛfoa nkyerɛkyerɛmu so fi awosu mu, sen sɛ wɔbɛbɔ mmɔden sɛ wɔde bolt bɛto so sɛ nea wɔasusuw ho akyi. Nhwehwɛmu ne nhyehyeɛ akuo bɛtumi ama yei anya nkɔsoɔ denam nkɔmmɔdie a wɔne data ho nyansahufoɔ ne mfiridwumayɛfoɔ bɛhyɛ aseɛ afa ahiadeɛ a ɛfa nteaseɛ a wɔde di dwuma ho, aboa ma wɔayɛ nkyerɛkyerɛmu metrics, na wɔabom ayɛ nkyerɛkyerɛmu a wɔde bɛyɛ nhwɛsoɔ de ahwɛ sɛ ɛyɛ pɛpɛɛpɛ na ɛyɛ mmerɛw sɛ wɔde bedi dwuma. XAI Ne Abrabɔ Pa AI: Unpacking Bias Ne Asɛyɛde Wɔ ahotoso a wɔbɛma akyi no, XAI di dwuma titiriw wɔ AI * abrabɔ pa ho nkyerɛkyerɛmu a emu dɔ a ɛwɔ AI * mu no ho dwuma a wobedi mu, titiriw nea ɛfa algorithmic bias ho. Nkyerɛkyerɛmu akwan, te sɛ SHAP gyinapɛn ahorow mu nhwehwɛmu, betumi ada no adi sɛ ebia su ahorow a ɛyɛ nkate te sɛ abusuakuw, ɔbarima ne ɔbea nna, anaa asetra mu sikasɛm tebea nya nhwɛsode bi gyinaesi ahorow so nkɛntɛnso a ɛnsɛ, sɛ mpo wɔamfa saa nneɛma yi anni dwuma pefee sɛ nneɛma a wɔde hyɛ mu tẽẽ a. Sɛ nhwɛsoɔ no, sɛ bosea a wɔpene so nhwɛsoɔ de SHAP gyinapɛn bɔne ma wɔn a wɔrehwehwɛ adwuma a wɔfiri nnipa dodoɔ bi mu daa a, ɛkyerɛ animhwɛ a ɛbɛtumi aba a ɛhia sɛ wɔyɛ nhwehwɛmu, na ɛma akuo tumi ma wɔpue na wɔbrɛ nsunsuansoɔ a ɛnteɛ a ɛte saa no ase. Tumi a XAI wɔ no nso de tumi a ɛwɔ “nkyerɛkyerɛmu ahohoro” ba. Sɛnea “greenwashing” daadaa adetɔfo wɔ nneɛma a atwa yɛn ho ahyia ho nneyɛe ho no, nkyerɛkyerɛmu hohoro betumi aba bere a wɔayɛ nkyerɛkyerɛmu ahorow sɛnea ɛbɛyɛ a ɛbɛkata, mmom sen sɛ ɛbɛma hann, algorithmic suban a ɛyɛ ɔhaw anaasɛ animhwɛ a efi awosu mu no so. Eyi betumi ada adi sɛ nkyerɛkyerɛmu a ɛyɛ mmerɛw dodo a wɔayi nneɛma a ɛho hia a ɛde nkɛntɛnso ba afi mu, anaasɛ nkyerɛkyerɛmu ahorow a wɔde ɔkwan pa so hyehyɛ nea efi mu ba no ma ɛte sɛ nea ɛnyɛ afã biara anaasɛ ɛteɛ sen sɛnea ɛte ankasa. Ɛsi abrabɔ pa ho asɛdeɛ a ɛwɔ UX adwumayɛfoɔ so sɛ wɔbɛhyehyɛ nkyerɛkyerɛmu a ɛda adi ankasa na wɔtumi di ho adanseɛ. UX adwumayɛfoɔ, a wɔne data nyansahufoɔ ne abrabɔ pa ho animdefoɔ abom, kura asɛdeɛ titire wɔ nea enti a wɔsi gyinaeɛ bi ho amanneɛbɔ mu, ne anohyetoɔ ne animhwɛ a ɛbɛtumi aba wɔ AI nhwɛsoɔ a ɛwɔ aseɛ no nso. Eyi hwehwɛ sɛ wɔde akwanhwɛ a ɛyɛ nokware a wɔn a wɔde di dwuma no hwɛ kwan wɔ AI pɛpɛɛpɛyɛ ho besi hɔ, wɔbɛkyerɛ baabi a ebia wontumi mfa wɔn ho nto nhwɛso no so kɛse, na wɔde akwan a emu da hɔ a wɔbɛfa so de wɔn ho ahyɛ mu anaasɛ wɔbɛka ho asɛm bere a wɔn a wɔde di dwuma no hu sɛ nea efi mu ba a ɛnteɛ anaasɛ ɛnteɛ no bɛma. Eyinom a wobedi ho dwuma denneennenabrabɔ pa ho nsusuwii bɛma yɛatumi ayɛ AI nhyehyɛe ahorow a ɛteɛ na wotumi de ho to so ankasa. Efi Akwan So Kosi Mockups: XAI Design Patterns a Ɛyɛ Mfaso Nsusuwii ahorow no a wubehu no yɛ ade biako; wɔn ho nhyehyɛe yɛ ade foforo. Here’s how yebetumi akyerɛ saa XAI akwan yi ase akɔ intuitive design patterns mu. Nhwɛsoɔ 1: "Efisɛ" Asɛm no (ma Feature Hia) . Eyi ne nhyehyɛe a ɛyɛ mmerɛw na mpɛn pii no etu mpɔn sen biara. Ɛyɛ asɛm a ɛyɛ tẽẽ, kasa a emu da hɔ a ɛda nea enti titiriw a ɛma AI yɛ ade no da adi.
Heuristic: Yɛ tẽẽ na yɛ tiawa. Fa ntease biako pɛ a ɛwɔ nkɛntɛnso sen biara di anim. Kwati kasafĩ ɔkwan biara so.
Nhwɛso: Fa no sɛ nnwom a wɔde fa so. Sɛ anka wode “Discover Weekly” nnwom a wɔahyehyɛ kɛkɛ bɛma no, wode microcopy ketewaa bi bɛka ho.Dwom ho nyansahyɛ: “Velvet Morning”Efisɛ wutie “The Fuzz” ne psychedelic rock afoforo.
Nhwɛsoɔ 2: "What-Sɛ" Nkitahodi (ma Counterfactuals) . Nea ɛne ne ho bɔ abira no fa tumi a wɔde ma ho fi awosu mu. Ɔkwan pa a wobɛfa so agyina hɔ ama wɔn ne sɛ wɔbɛma wɔn a wɔde di dwuma no nnwinnade a wɔde di nkitaho ma wɔn ankasa ahwehwɛ nneɛma a ebetumi aba mu. Eyi yɛ nea edi mũ ma sikasɛm, akwahosan, anaa nneɛma afoforo a wɔde di dwuma a egyina botae so.
Heuristic: Ma nkyerɛkyerɛmu ahorow no nyɛ nea ɛne afoforo di nkitaho na ɛma tumi. Ma wɔn a wɔde di dwuma no nhu nea ɛde nea wɔpaw no ba ne nea efi mu ba.
Nhwɛso: Boseabɔ akwammisa ho nkitahodi. Sɛ wɔpow akyi no, sɛ anka ɛbɛyɛ nea ɛyɛ ɔkwan a enni ano no, nea ɔde di dwuma no nya adwinnade bi a ɔde bɛkyerɛ sɛnea tebea ahorow (dɛn-sɛ) betumi adi agoru (Hwɛ Mfonini 1).
Nhwɛso 3: Highlight Reel (Ma Mpɔtam Hɔ Nkyerɛkyerɛmu) . Sɛ AI yɛ adeyɛ bi wɔ obi a ɔde di dwuma no nsɛm so (te sɛ krataa bi a wɔbɔ mua anaasɛ anim a wohu wɔ mfonini ahorow mu) a, ɛsɛ sɛ wɔde aniwa bata nkyerɛkyerɛmu no ho bata fibea no ho.
Heuristic: Fa aniwa so nsɛnkyerɛnne te sɛ highlighting, outlines, anaa annotations di dwuma de bata nkyerɛkyerɛmu no ho tẽẽ ne interface element a ɛrekyerɛkyerɛ mu no.
Nhwɛso: AI adwinnade a ɛbɔ nsɛm atenten mua.AI-Generated Summary Point:Nhwehwɛmu a edi kan no kyerɛe sɛ gua so nsonsonoe wɔ nneɛma a ɛtra hɔ daa ho.Source in Document:“...Yɛn Q2 nhwehwɛmu a yɛyɛe wɔ gua so nkɔso ho no daa no adi pefee sɛ akansifo kɛse biara nni hɔ a ɔresom adetɔfo a ɔhwɛ nneɛma a atwa yɛn ho ahyia so no yiye, na ɛdaa gua so nsonsonoe kɛse adi wɔ nneɛma a ɛtra hɔ daa ho...”
Nhwɛsoɔ 4: Push-and-Pull Visual (ma Nkyerɛkyerɛmu a egyina Botaeɛ so) . Sɛ wopɛ gyinaesi ahorow a emu yɛ den a, ebia ɛho behia sɛ wɔn a wɔde di dwuma no te sɛnea nneɛma di nkitaho no ase. Data mfonini ahorow a ɛnyɛ den betumi ama eyi ada adi a ɛnyɛ nea ɛboro so.
Heuristic: Fa data mfonini a ɛnyɛ den a wɔde kɔla ahyɛ mu (te sɛ bar charts) di dwuma de kyerɛ nneɛma a enyaa gyinaesi bi so nkɛntɛnso pa ne bɔne.
Nhwɛsoɔ: AI bi a ɛrehwehwɛ ɔkannifoɔ bi profile mu ama adwuma bi.Nea enti a saa ɔkannifoɔ yi yɛ 75% match:Nneɛma a ɛpia nkontabuo no kɔ soro:5+ Mfeɛ UX Nhwehwɛmu OsuahuAhokokwaw wɔ PythonNneɛma a ɛpia nkontabuo no kɔ fam:Osuahu biara nni B2B SaaS mu
Sɛ wosua na wode saa nhyehyeɛ nhyehyɛeɛ yi di dwuma wɔ wo AI afiri no UX mu a, ɛbɛboa ama nkyerɛkyerɛmu no akɔ soro. Wubetumi nso de akwan foforo a m’aka ho asɛm kɔ akyiri wɔ ha adi dwuma. Nea ɛka eyi ho ne nea edidi so yi:
Abɔde mu kasa ho nkyerɛkyerɛmu: AI’s technical output a wɔkyerɛ ase kɔ nnipa kasa a ɛnyɛ den, nkɔmmɔbɔ mu a ɛnyɛ den sɛ wɔn a wɔnyɛ abenfo betumi ate ase. Nkyerɛkyerɛmu a ɛfa nsɛm a ɛfa ho: Ɛde nteaseɛ a ɛfa AI’s output ho ma wɔ berɛ ne beaeɛ pɔtee no, ɛfa nea ɔde di dwuma no adwuma ho kɛseɛ. Mfonini ahorow a ɛfa ho: Sɛ wɔde charts, graphs, anaa heatmaps di dwuma de gyina hɔ ma AI’s gyinaesi nhyehyɛe wɔ aniwa so, na ɛma data a ɛyɛ den no yɛ nea ɛyɛ mmerɛw na ɛyɛ mmerɛw ma wɔn a wɔde di dwuma no sɛ wɔbɛte ase.
A Note For the Front End: Nkyerɛkyerɛmu nsunsuansoɔ yi a wɔbɛkyerɛ aseɛ akɔ osuahu a ɛnyɛ den a wɔde di dwuma no nso de n’ankasa mfiridwuma ho nsusuiɛ ahodoɔ ma. Front-end developers taa di aperepere wɔ API nhyehyeɛ mu de agye nkyerɛkyerɛmu data yie, na adwumayɛ ho nkyerɛkyerɛmu (te sɛ bere ankasa mu awoɔ ntoatoasoɔ a wɔde ma nkyerɛkyerɛmu ma obiara a ɔde di dwuma nkitahodiɛ) hia nhyehyɛeɛ a ɛyɛ ahwɛyie na wɔakwati latency. Wiase Ankasa Nhwɛso Binom UPS Capital’s DeliveryAhobammɔ UPS de AI di dwuma de “delivery confidence score” ma address ahorow de kyerɛ sɛnea ɛbɛyɛ yiye sɛ wobewia nneɛma bi. Wɔn DeliveryDefense software no hwehwɛ abakɔsɛm mu nsɛm a ɛfa beae, mpɛn dodow a wɔhwere, ne nneɛma afoforo ho. Sɛ address bi wɔ nkontabuo a ɛba fam a, nhyehyɛeɛ no bɛtumi ayɛ nnam de akɔfa package no akɔ UPS Access Point a ahobanbɔ wɔ mu, de nkyerɛkyerɛmu ama wɔ gyinaesie no ho (e.g., “Package rerouted to a secure location due to a secure of theft”). Saa nhyehyeɛ yi kyerɛ sɛdeɛ wɔbɛtumi de XAI adi dwuma de abrɛ asiane ase na wɔanya adetɔfoɔ ahotosoɔ denam sonsɛm a ɛda adi pefee. Kar Ahorow a Wɔde Di Dwuma Ɛho behia sɛ daakye kar ahorow yi de XAI di dwuma yiye de boa wɔn kar ahorow ma wosisi gyinae ahorow a ahobammɔ wom, a wobetumi akyerɛkyerɛ mu. Sɛ kar a n’ankasa ka no bɔ breki mpofirim a, nhyehyɛe no betumi de ne adeyɛ no ho nkyerɛkyerɛmu a ɛba bere ankasa ama, sɛ nhwɛso no, denam obi a ɔnam fam a obehu sɛ ɔretu anammɔn akɔ kwan no so no so. Ɛnyɛ sɛ eyi ho hia kɛse ma akwantufo ahotɔ ne ahotoso nko na mmom ɛyɛ mmara mu ahwehwɛde a wɔde kyerɛ sɛ AI nhyehyɛe no yɛ ahobammɔ ne akontaabu. IBM Watson Health (ne ne nsɛnnennen) . Bere a wɔtaa ka ho asɛm sɛ AI ho nhwɛso titiriw wɔ akwahosan ho no, ɛsan nso yɛ asɛm a ɛsom bo a wɔayɛ ho nhwehwɛmu a ɛkyerɛ hia a XAI ho hia. Ne Watson for Oncology adwuma no huammɔdi no si nea ebetumi asɛe bere a nkyerɛkyerɛmu ahorow no mu nna hɔ, anaasɛ bere a nsɛm a ɛwɔ ase no yɛ animhwɛ anaasɛ ɛnyɛ nea ɛwɔ mpɔtam hɔ no so dua. Ɛtɔ mmere bi a na nhyehyɛe no nyansahyɛ ahorow no ne mpɔtam hɔ ayaresabea nneyɛe nhyia efisɛ na egyina akwankyerɛ ahorow a ɛfa U.S. ho so. Eyi yɛ kɔkɔbɔ asɛm a ɛfa hia a ehia sɛ wɔkyerɛkyerɛ mu a emu yɛ den, na ɛma wohu nsɛm a ɛfa ho no ho. UX Nhwehwɛmufo Dwuma: Nkyerɛkyerɛmu a Ɔbɛkyerɛ Pii Na Ɔma Wɔagye Adi Yɛn nhyehyɛɛ ano aduru no yɛ nea etu mpɔn nkutoo sɛ edi nsɛmmisa a ɛfata a ɔde di dwuma no ho dwuma wɔ bere a ɛfata mu nkutoo. Nkyerɛkyerɛmu a ɛma asɛmmisa bi a nea ɔde di dwuma no nni ho mmuae yɛ dede ara kwa. Eyi ne baabi a UX nhwehwɛmu bɛyɛ nkitahodi ntini a ɛho hia wɔ XAI nhyehyɛe mu, a ɛhwɛ hu sɛ yɛbɛkyerɛkyerɛ nea ne ɔkwan a ɛho hia ankasa ma yɛn a yɛde di dwuma no mu. Nhwehwɛmufoɔ no dwumadie yɛ mmienu: deɛ ɛdi kan, sɛ ɔbɛma wɔabɔ ɔkwan a wɔfa so yɛ adwuma no amanneɛ denam baabi a nkyerɛkyerɛmu ho hia a ɔbɛhunu so, ne deɛ ɛtɔ so mmienu, sɛ ɔbɛma nhyehyɛɛ a ɛde saa nkyerɛkyerɛmu no ma no yɛ nokware. XAI Nhyehyɛe no ho amanneɛbɔ (Nea Ɛsɛ sɛ Wɔkyerɛkyerɛ Mu) . Ansa na yɛbɛtumi ayɛ nkyerɛkyerɛmu baako no, ɛsɛ sɛ yɛte nea ɔde di dwuma no adwene mu nhwɛsoɔ a ɛfa AI nhyehyɛeɛ no ho ase. Dɛn na wogye di sɛ ɛreyɛ? Ɛhe na nsonsonoe a ɛda wɔn ntease ne nhyehyɛe no mu nokwasɛm ntam wɔ? Eyi ne fapem adwuma a UX nhwehwɛmufo bi yɛ. Adwene mu Nhwɛso Nsɛmbisa: Unpacking User Perceptions Of AI Systems Ɛnam nsɛmbisa a emu dɔ a wɔahyehyɛ no fã bi so no, UX adwumayɛfoɔ bɛtumi anya nhumu a ɛsom boɔ wɔ sɛdeɛ wɔn a wɔde di dwuma no hu AI nhyehyɛeɛ na wɔte aseɛ no ho. Wɔayɛ saa nhyiam ahorow yi sɛnea ɛbɛyɛ a ɛbɛhyɛ wɔn a wɔde di dwuma no nkuran sɛ wɔmfa wɔn mu “adwene mu nhwɛso” a ɛfa sɛnea wogye di sɛ AI no yɛ adwuma no ho mfonini anaa wɔnkyerɛkyerɛ mu ankasa. Eyi taa hwehwɛ sɛ wobisa nsɛm a wɔabue ano a ɛkanyan wɔn a wɔde di dwuma no ma wɔkyerɛkyerɛ nhyehyɛe no ntease mu, nea wɔde hyɛ mu, ne nea efi mu ba, ne abusuabɔ a ɛda saa nneɛma yi ntam. Saa nsɛmbisa yi wɔ tumi efisɛ ɛtaa da adwene a ɛnteɛ a emu dɔ ne nsusuwii ahorow a wɔn a wɔde di dwuma no kura wɔ AI ho adi. Sɛ nhwɛso no, obi a ɔde di dwuma a ɔne nyansahyɛ engine bi redi nkitaho no betumi de ahotoso aka sɛ nhyehyɛe no gyina wɔn abakɔsɛm a atwam a wɔde hwɛ nneɛma so nkutoo so. Ebia wɔrenhu sɛ algorithm no de nneɛma afoforo pii nso ka ho, te sɛ da no mu bere a wɔrehwehwɛ nneɛma mu, nneɛma a ɛrekɔ so mprempren wɔ asɛnka agua no so nyinaa, anaasɛ mpo sɛnea wɔn a wɔte saa ara di dwuma no hwɛ ade. Saa nsonsonoe yi a ɛda obi a ɔde di dwuma no adwene mu nhwɛso ne AI ntease a ɛwɔ ase ankasa ntam yi a wobehu no ho hia kɛse. Ɛkyerɛ yɛn nsɛm pɔtee a ɛsɛ sɛ yɛde kyerɛ wɔn a wɔde di dwuma no pɛpɛɛpɛ na aboa wɔn ma wɔayɛ nhyehyɛe no ho adwene mu nhwɛso a ɛyɛ pɛpɛɛpɛ na ɛyɛ den. Eyi nso yɛ anammɔn titiriw a wɔfa so nya ahotoso. Sɛ wɔn a wɔde di dwuma no te sɛnea AI bi du nea ɛde ba awiei anaa ne nyansahyɛ ahorow ho ase, wɔ ɔkwan a ɛkorɔn mpo so a, ɛda adi sɛ wobenya nea efi mu ba no mu ahotoso na wɔde wɔn ho ato ne dwumadi so. AI Akwantuo Mapping: A Deep Dive Into Ɔdefoɔ Ahotosoɔ Ne Nkyerɛkyerɛmu Ɛdenam ahwɛyiye a yɛde yɛ nea ɔde di dwuma no akwantu ho mfonini denam AI-powered feature so no, yenya nhumu a ɛsom bo wɔ mmere pɔtee a adwene mu naayɛ, abasamtu, anaa ahotoso a wonni kɛse mpo ba no ho. Eyi da mmere a ɛho hia adi a nea ɔde di dwuma no adwene mu nhwɛso a ɛfa sɛnea AI no yɛ adwuma ho no ne ne nneyɛe ankasa bɔ abira. Susuw nnwom a wɔde fa kɔmputa so ho hwɛ: So nea ɔde di dwuma no mu ahotoso so tew kɛse bere a wɔte nka sɛ nnwom a wɔahyehyɛ ho nyansahyɛ bi “ayɛ kwa,” a enni abusuabɔ biara a wotumi hu wɔ wɔn tie su a atwam anaa nea wɔaka sɛ wɔpɛ ho no? Saa adeyɛ a wosusuw sɛ ɛyɛ random yi yɛ asɛnnennen tẽẽ ma nea ɔde di dwuma no akwanhwɛ a ɛne sɛ obenya aduruyɛ a nyansa wom ne bɔhyɛ a ɛda adi pefee a ɛne sɛ AI no te wɔn dɛ ase no a wobu so. Saa ara nso na wɔ mfonini sohwɛ application mu no, so wɔn a wɔde di dwuma no nya abasamtu kɛse bere a AI mfonini-tagging afã bi ma wohu abusua muni bi a wɔdɔ no wɔ ɔkwan a ɛnteɛ so bere nyinaa no? Saa mfomso yi nyɛ mfiridwuma mu mfomso; ɛbɔ pɛpɛɛpɛ, ankorankoro, ne mponkate mu abusuabɔ. Saa ɛyaw nsɛntitiriw yi yɛ nsɛnkyerɛnne a emu da hɔ a ɛkyerɛ baabi pɔtee a ɛho hia sɛ wɔde nkyerɛkyerɛmu a ɛfata, emu da hɔ, na ɛyɛ tiawa ma. Nkyerɛkyerɛmu a ɛtete saa no yɛ akwan titiriw a wɔfa so siesie nneɛma, na ɛsiesie ahotoso a wɔabu so a sɛ wɔanni ho dwuma a, ebetumi ama wɔagyae nea ɔde di dwuma no. Tumi a ɛwɔ AI akwantuo ho mfoniniyɛ mu no gyina tumi a ɛtumi ma yɛn kɔ akyiri sen sɛ ɛbɛkyerɛkyerɛ nea etwa toɔ a ɛfiri AI nhyehyɛeɛ mu ba no mu kɛkɛ. Bere a nea AI no yɛe no ntease ho hia no, ɛtaa yɛ nea ɛnnɔɔso. Mmom no, saa adeyɛ yi hyɛ yɛn sɛ yɛde yɛn adwene si adeyɛ no mu nkyerɛkyerɛmu so wɔ mmere a ɛho hia mu. Eyi kyerɛ sɛ wobɛdi:
Dɛn nti na wɔyɛɛ output pɔtee bi: So efi input data pɔtee bi? Model architecture pɔtee bi? Nneɛma bɛn na enyaa AI no gyinaesi no so nkɛntɛnso: So na wɔde nneɛma bi karii kɛse? Ɔkwan bɛn so na AI no duu n’awiei: So yebetumi de ne mu dwumadi ho nkyerɛkyerɛmu a ɛyɛ mmerɛw na ɛne no di nsɛ ama? Nsusuwii bɛn na AI no de bae: So na ntease ahorow a ɛda adi pefee wɔ nea ɔde di dwuma no adwene anaa ne data ho a ɛsɛ sɛ wɔda no adi? Nea AI no anohyeto ahorow yɛ: Sɛ wɔka nea AI no ntumi nyɛ, anaa baabi a ne pɛpɛɛpɛyɛ betumi ahinhim pefee a, ɛma wonya akwanhwɛ a ɛyɛ nokware.
AI akwantuo ho mfonini dane adwene a enni adwene a ɛfa XAI ho no ma ɛbɛyɛ nhyehyɛeɛ a mfasoɔ wɔ so, a wɔtumi yɛ ho adwuma ma UX adwumayɛfoɔ. Ɛma yetumi kɔ akyiri sen nsusuwii mu nkɔmmɔbɔ a ɛfa nkyerɛkyerɛmu ho na mmom yɛkyerɛ mmere pɔtee a ahotoso a wɔde di dwuma no wɔ asiane mu, na ɛma yenya nhumu a ɛho hia de kyekye AI osuahu ahorow a tumi wom, ɛda adi pefee, ntease wom, na wotumi de ho to so. Awiei koraa no, nhwehwɛmu ne ɔkwan a yɛfa so da nneɛma a yennim adi. Ebia wo kuw no regye akyinnye wɔ sɛnea wɔbɛkyerɛkyerɛ nea enti a wɔpow bosea bi mu, nanso ebia nhwehwɛmu bɛda no adi sɛ wɔn a wɔde di dwuma no dwen sɛnea wɔde wɔn data dii dwuma wɔ nea edi kan no mu ntease ho kɛse. Sɛ yɛannyɛ nhwehwɛmu a, na yɛresusuw nea yɛn a yɛde di dwuma no resusuw ho ara kwa. Collaborating On The Design (Sɛnea Wobɛkyerɛkyerɛ Wo AI Mu) . Sɛ nhwehwɛmu hu nea ɛsɛ sɛ wɔkyerɛkyerɛ mu wie a, wofi ase yɛ adwuma bom a ɛne adwini di dwuma. Adwumfo betumi ayɛ nhwɛsode ahorow a yɛadi kan aka ho asɛm no—“Efisɛ” asɛm no, nkitahodi sliders—na nhwehwɛmufo betumi de saa mfonini ahorow no ahyɛ wɔn a wɔde di dwuma no anim ahwɛ sɛ ebia ɛkura mu anaa. Targeted Usability & Comprehension Testing: Yebetumi ayɛ nhwehwɛmu adesua a ɛsɔ XAI afã horow no hwɛ pɔtee. Ɛnyɛ sɛ yemmisa kɛkɛ sɛ, “So eyi yɛ mmerɛw sɛ yɛde bedi dwuma?” Yebisa sɛ, “Bere a woahu eyi akyi no, so wubetumi de w’ankasa wo nsɛm akyerɛ me nea enti a nhyehyɛe no kamfoo aduru yi kyerɛe?” anaa “Kyerɛ me nea anka wobɛyɛ de ahwɛ sɛ ebia wubetumi anya biribi foforo afi mu aba anaa.” Botae a ɛwɔ ha ne sɛ wɔbɛsusuw ntease ne adeyɛ a wobetumi de adi dwuma, aka sɛnea wobetumi de adi dwuma no ho. Ahotoso a Yɛbɛsusuw no Ankasa: Yebetumi de nhwehwɛmu a ɛnyɛ den ne gyinapɛn nsenia adi dwuma ansa na wɔakyerɛ nkyerɛkyerɛmu bi ne bere a wɔada no adi awie no. Sɛ nhwɛso no, yebetumi abisa obi a ɔde di dwuma wɔ nsenia a ɛwɔ nsɛntitiriw 5 so sɛ, “Wogye nyansahyɛ yi di kɛse dɛn?” ansa na wɔahu “Efisɛ” asɛm no, na afei woabisa wɔn bio wɔ ɛno akyi. Eyi ma wonya dodow ho nsɛm a ɛkyerɛ sɛ ebia yɛn nkyerɛkyerɛmu ahorow no retu ade no ankasa wɔ ahotoso so anaa. Saa adeyɛ yi ma ɛyɛ loop a tumi wom, a wɔsan yɛ no mpɛn pii. Nhwehwɛmu a wɔahu no ma yehu sɛnea wɔyɛɛ nhyehyɛe a edi kan no. Afei wɔsɔ saa adwini no hwɛ, na wɔsan de nea wɔahu foforo no kɔma adwini kuw no ma wɔyɛ no yiye. Ebia na “Efisɛ” asɛm no yɛ kasakoa dodo, anaasɛ na “What-Sɛ” slider no yɛ nea ɛyɛ basaa sen sɛ ɛbɛma tumi. Ɛnam saa adwumayɛkuo a wɔde di dwuma yi so no, yɛhwɛ sɛ nkyerɛkyerɛmu a ɛtwa toɔ no yɛ mfiridwuma mu nokware, nteaseɛ ankasa, mfasoɔ wɔ so, na ɛma nnipa a wɔde afiri no di dwuma no nya ahotosoɔ. Goldilocks Zone no Nkyerɛkyerɛmu Ahwɛyiye asɛmfua a ɛho hia: wobetumi akyerɛkyerɛ mu dodo. Sɛnea ɛte wɔ anansesɛm mu, faako a Goldilocks hwehwɛɛ akutu a ‘ɛfata pɛpɛɛpɛ’ no, nkyerɛkyerɛmu pa botae ne sɛ ɛde nsɛm a ɛkɔ akyiri a ɛfata bɛma —ɛnyɛ pii dodo na ɛnyɛ kakraa bi dodo. Sɛ wɔde variable biara a ɛwɔ model bi mu tow hyɛ obi a ɔde di dwuma no so a, ɛbɛma n’adwene mu adesoa a ɛboro so aba na ebetumi atew ahotoso so ankasa. Ɛnyɛ botae no ne sɛ wɔbɛma nea ɔde di dwuma no ayɛ data ho nyansahufo. Ano aduru biako ne sɛ wɔbɛda nneɛma adi nkakrankakra.
Fi ase fa nea ɛnyɛ den no so. Fa “Efisɛ” asɛm tiawa di anim. Wɔ wɔn a wɔde di dwuma dodow no ara fam no, eyi bɛdɔɔso. Fa ɔkwan a wobɛfa so akɔ nsɛm nketenkete mu ma. Fa nkitahodi a emu da hɔ na ɛnyɛ den pii te sɛ “Sua Pii” anaa “Hwɛ sɛnea wosii eyi ho gyinae” ma. Da sɛnea ɛyɛ den no adi. Wɔ saa link no akyi no, wubetumi de interactive sliders, visualizations, anaa nneɛma a ɛde ba no din a ɛkɔ akyiri ama.
Saa kwan a ɛwɔ ntoatoaso yi bu nea ɔde di dwuma no adwene ne ne nimdeɛ, na ɛma dodow a ɛfata pɛpɛɛpɛnsɛm a ɛfa wɔn ahiade ho. Momma yɛmfa no sɛ wode ofie mfiri a nyansa wom a ɛkamfo ɔhyew a eye sen biara kyerɛ a egyina nneɛma ahorow so redi dwuma. Fa asɛm a ɛnyɛ den no fi ase: “Mprempren wɔma wo fie yɛ hyew kodu digrii 72, na ɛno ne ɔhyew a eye sen biara a ɛbɛma woakora ahoɔden so na woanya ahotɔ.” Fa ɔkwan a wobɛfa so akɔ akyiri ma: Wɔ ɛno ase no, link anaa bɔtn ketewaa bi: “Dɛn nti na digrii 72 ye sen biara?" Da sɛnea ɛyɛ den no adi: Sɛ wobɔ saa link no so a, ebetumi abue screen foforo a ɛbɛkyerɛ sɛ:
Nkitahodi sliders ma abɔnten hyew, ɔhyew, ne ahotɔ dodow a wopɛ, a ɛkyerɛ sɛnea eyinom sesa ɔhyew a wɔkamfo kyerɛ no. Ahoɔden a wɔde di dwuma wɔ ɔhyew ahorow mu ho mfonini. Nneɛma a ɛde ba te sɛ “Da no mu bere,” “Mprempren abɔnten so hyew,” “Abakɔsɛm mu ahoɔden a wɔde di dwuma,” ne “Occupancy sensors” a wɔahyehyɛ.
Ɛyɛ nea etu mpɔn sɛ wɔbɛka XAI akwan pii abom na saa Goldilocks Zone of Explanation nhyehyɛe yi a ɛkamfo nsɛm a wɔda no adi nkakrankakra kyerɛ no hyɛ eyi ho nkuran wɔ ɔkwan a ɛnyɛ nea ɛda adi so. Wubetumi de “Efisɛ” asɛm a ɛnyɛ den (Nhwɛso 1) afi ase na ama woate ase ntɛm ara, na afei wode “Sua Pii” link a ɛda “Dɛn-Sɛ” Nkitahodi (Nhwɛso 2) anaa “Push-and-Pull Visual” (Nhwɛso 4) adi ama ma woatumi ahwehwɛ mu kɔ akyiri. Sɛ nhwɛso no, mfiase no, boseabɔ nhyehyɛe bi betumi aka nea enti titiriw a wɔpow (ɛho hia wɔ afã horow no ho), afei ama nea ɔde di dwuma no ne “Dɛn-Sɛ” adwinnade bi adi nkitaho de ahu sɛnea nsakrae a ɛbɛba wɔn sika anaa ɛka mu no bɛsakra nea ebefi mu aba (nneɛma a ɛne no bɔ abira), na awiei koraa no, ɛde “Push-and-Pull” nhyehyɛe a ɛkɔ akyiri (nkyerɛkyerɛmu a egyina bo a ɛsom so) ama de akyerɛ mmoa pa ne nea enye a wɔn nyinaa de ma nneɛma a ɛde ba. Saa kwan a ɛwɔ ntoatoasoɔ yi ma wɔn a wɔde di dwuma no nya nsɛm a ɛkɔ akyiri dodoɔ a wɔhia, berɛ a wɔhia, siw adwene mu adesoa a ɛboro soɔ ano berɛ a ɛda so ara de nhumu a ɛkɔ akyiri ma. XAI nnwinnade ne akwan a ɛsɛ sɛ wɔfa so kyerɛ no yɛ UX nhwehwɛmu a edi mũ adwuma titiriw. Adwene mu nhwɛsoɔ nsɛmbisa ne AI akwantuo ho mfoniniyɛ ho hia paa ma wɔde kyerɛ wɔn a wɔde di dwuma no ahiadeɛ ne ɛyaw nsɛntitiriw a ɛfa AI nteaseɛ ne ahotosoɔ ho. Adwene mu nhwɛsoɔ nsɛmbisa boa ma wɔda adwene a ɛnteɛ a wɔn a wɔde di dwuma no wɔ wɔ sɛdeɛ AI no yɛ adwuma no adi, na ɛkyerɛ mmeaeɛ a nkyerɛkyerɛmu titire (te sɛ feature hia anaa mpɔtam hɔ nkyerɛkyerɛmu) ho hia. AI akwantuo ho mfonini, ɔkwan foforɔ so no, ɛkyerɛ mmerɛ a ɛho hia a ɛyɛ basaa anaa ahotosoɔ a ɛnni deɛ ɔde di dwuma no ne AI no nkitahodie mu, a ɛkyerɛ baabi a nkyerɛkyerɛmu a ɛyɛ granular anaa nkitahodiɛ kɛseɛ (te sɛ nsɛm a ɛne no bɔ abira anaa nkyerɛkyerɛmu a egyina boɔ so) bɛyɛ mfasoɔ kɛseɛ sɛ wɔbɛsan akyekye ahotosoɔ na wɔde adwumayɛbea ama.
Awiei koraa no, ɔkwan a eye sen biara a wobɛfa so apaw ɔkwan bi ne sɛ wobɛma nhwehwɛmu a wɔde di dwuma no akyerɛ wo gyinaesi ahorow kwan, ahwɛ ahu sɛ nkyerɛkyerɛmu ahorow a woyɛ no di nsɛmmisa ne nea ɛhaw adwene ankasa a wɔde di dwuma no ho dwuma tẽẽ, sen sɛ wode mfiridwuma ho nsɛm bɛma kɛkɛ esiane wɔn ankasa yiyedi nti. XAI ma Deep Reasoning Agents AI nhyehyɛe foforo no bi a wonim no sɛ nneɛma a wɔde susuw nneɛma ho a emu dɔ no ma wonya “nsusuwii nkɔnsɔnkɔnsɔn” a ɛda adi pefee ma adwuma biara a ɛyɛ den. Wɔmfa nsɛm a wonya fi mmeae ahorow kɛkɛ; wɔkyerɛ ɔkwan a ntease wom, anammɔn biara a wɔfaa so de baa awiei no. Bere a saa nsɛm a ɛda adi pefee yi ma nsɛm a ɛfa ho a ɛsom bo ma no, agoru biara a ɛfa nkyekyem ahorow pii ho no betumi ate nka sɛ ɛyɛ den ama obi a ɔde di dwuma bere a ɔrebɔ mmɔden sɛ obewie adwuma bi kɛkɛ no. XAI nnyinasosɛm ahorow, titiriw Goldilocks Nkyerɛkyerɛmu Beae no, fa ha tẽẽ. Yebetumi ahwɛ akwantu no so, de nsɛm a wɔda no adi nkakrankakra adi dwuma de akyerɛ awiei a etwa to ne anammɔn a ɛda nsow sen biara wɔ nsusuwii nhyehyɛe no mu nkutoo. Afei wɔn a wɔde di dwuma no betumi apaw sɛ wɔbɛhwɛ nsusuwii a edi mũ, a ɛkɔ akyiri, a ɛwɔ anammɔn pii bere a ɛsɛ sɛ wɔhwehwɛ ntease no mu mprenu anaasɛ wɔhwehwɛ nokwasɛm pɔtee bi no. Saa kwan yi bu nea ɔde di dwuma no adwene bere a ɛkora agent’s full transparency so. Anamɔn a Edi Hɔ: Wo XAI Akwantuo a Wobɛma Wo Tumi Nkyerɛkyerɛmu yɛ odum titiriw a wɔde kyekye AI nneɛma a wotumi de ho to so na etu mpɔn. Wɔ oduruyɛfo a wakɔ anim a ɔrehwehwɛ sɛ ɔbɛma nsakrae yi aba wɔn ahyehyɛde no mu fam no, akwantu no trɛw kɔ akyiri sen nhyehyɛe nhyehyɛe ahorow kɔ nsɛm a wɔka de gyina akyi ne adesua a ɛkɔ so. Sɛ wopɛ sɛ wo nteaseɛ ne dwumadie a mfasoɔ wɔ so no mu dɔ a, susuw ho sɛ wobɛhwehwɛ nneɛma te sɛ AI Explainability 360 (AIX360) adwinnadeɛ a ɛfiri IBM Research anaa Google’s What-If Tool, a ɛma nkitahodi akwan a wobɛfa so ahwehwɛ nhwɛsoɔ suban ne nkyerɛkyerɛmu mu. Sɛ wo ne mpɔtam te sɛ Responsible AI Forum anaa nhwehwɛmu akuw pɔtee a wɔde wɔn adwene si AI a ɛfa nnipa ho so di nkitaho a, ebetumi ama wɔanya nhumu a ɛsom bo ne adwumayɛ hokwan ahorow. Nea etwa to no, yɛ obi a ɔkamfo XAI wɔ w’ankasa w’ahyehyɛde mu.Frame nkyerɛkyerɛmu sɛ ɔkwan a wɔfa so de sika hyɛ mu. Susuw asɛm tiawa bi a wobɛka akyerɛ w’akannifo anaa akuw a wɔyɛ adwuma wɔ mmeae ahorow ho: "Ɛdenam sika a yɛde bɛto XAI mu so no, yɛbɛkɔ akyiri asen ahotoso a yɛbɛma;yɛbɛma wɔn a wɔde di dwuma no agye wɔn atom ntɛmntɛm, yɛbɛtew mmoa ho ka so denam tumi a yɛbɛma wɔn a wɔde di dwuma no anya ntease so, na yɛatew abrabɔ pa ne mmara mu asiane akɛse ase denam animhwɛ a ebetumi aba a yɛbɛda no adi so. Eyi yɛ nhyehyɛe pa ne adwuma a nyansa wom."
Wo nne a egyina ntease a mfaso wɔ so so no ho hia kɛse wɔ AI a wode befi adaka tuntum no mu na wo ne wɔn a wɔde di dwuma no ayɛ biakoyɛ mu.
