AI システムによって住宅ローンの申し込みが却下されました。あなたのケースを審査した人間はおらず、異議申し立てもできず、慰めとして 安心しましたか? 。 「あなたの信用利用率がマイナスの結果を引き起こしました」という不機嫌な説明が返ってきました。 そうは思いませんでした ボットを破壊し、ブラック ボックスの網から抜け出すツールです。プログラム的に完璧です。テクノロジー恐怖症を和らげ、マシンを制御するためのワンストップ ソリューションです。 マシンに負荷をかければかけるほど、説明可能な AI (XAI) を求める声が高まります。XAI は、 しかし、そうではありません。 説明可能な AI は混乱を単純化するのではなく、 単にブランドを変更するだけです。 私たちが得るのは、金メッキされた幻想です。つまり、偏見、誤用、行き過ぎといった実際の問題はそのまま放置され、解読システムに何十億ドルも注ぎ込まれているのです。 値段は？ドルよりずっと高いです。   XAI 101: 意図ではなく影響力を解読する 現在の説明可能な AI (XAI) は、 推測するために、  や などの方法に依存しています。SHAP は協力ゲーム理論を利用して、収入レベル、信用履歴、ピクセル クラスターなどの主要な入力に「責任」を割り当て、結果を左右する変数をマッピングします。一方、LIME は入力データを微調整して予測がどのように変化するかを確認し、特定の決定に最も重要だった機能を説明する簡略化されたモデルを作成します。画像を多用するアプリケーションでは、 の手法を使用して AI の目に留まったピクセルを判断する が使用されます。医療や雇用などのより重要なシナリオでは、入力が妥当に変更された場合の潜在的な結果を明らかにするために別の現実を夢想する が使用されます。たとえば、「腫瘍が 2 mm 小さかったらどうなるか」などです。 因果関係ではなく相関関係を SHAP (Shapley Additive Explanations) LIME (Local Interpretable Model-Agnostic Explanations) 勾配ベースの分析 サリエンシー マッピング 反事実的説明 高額な電気代を支払っても構わないのであれば、XAI は重要な についてまずまずのレポートを提供できます。 点 しかし、 ? 何もないのです。 なぜでしょうか   「なぜ」と問うことの反対理由 「私の畳み込みニューラル ネットワークの 34 番目の層は、右上象限に 12.3% のピクセル強度異常を記録しました。これは、人口統計学的および遺伝的共分散に対して正規化された 15 地域のデータセット全体の悪性腫瘍マーカーと相関しており、ベイズ事後較正によって確立された悪性腫瘍閾値を超える信頼スコアを生み出しました。」 これが「 の姿です。 なぜ」 混乱しますか？ 。安心しますか？ 。 間違いなく わずかですが しかし、このレベルの説明（ほとんどの人はIKEAの組み立てマニュアルと一緒に捨ててしまうでしょう）を生成するのは、コストがかかるだけでなく、 。 意味で。説明可能性は計算リソースを浪費し、イノベーションを遅らせ、あらゆる新しいブレークスルーを自己正当化の官僚主義に変えてしまうリスクがあります。説明可能性の約束は崇高に思えますが、  「なぜ」という目標は進歩を妨げてまで価値があるのでしょうか？ 混乱を招きます 悪い トレードオフはAIの本当の可能性を阻害する可能性があります。 結局のところ、重要なのは AI がどのように機能するかではなく、それが *私たちにとって* 機能するかどうかです。 明瞭さは安くない 決定が下された 真に理解するために、  、 、 などの新しいテクノロジーが開発されています。これらの方法は、ディープラーニングのパターン認識とシンボリック推論のルールベースロジックを融合したハイブリッドアーキテクチャに依存しています。このようなシステムをトレーニングするには、モデルが非構造化データ (画像やテキストなど) と構造化ロジックフレームワークを同時に処理する必要があり、タスクの規模に応じて組み合わせの複雑さが増大するため、はるかに高いコンピューティングリソースが必要です。 理由を ニューロシンボリック AI 対照的説明 因果推論モデル しかし、本当の課題はハードウェアにあります。NVIDIA の H100 や Google の TPU v5 などの現在の GPU と TPU は、トレーニングと推論のスループットを最大化するように設計されており、XAI に必要な反復的で勾配を多用する計算には適していません。因果帰属や注意の視覚化などの高度な説明を生成するには、 、 、 に最適化されたチップが必要です。XAI ワークロードには、特に自動運転車や医療診断などのリアルタイム アプリケーションでは予測 解釈可能性も必要となるため、根本的に異なるハードウェアが必要です。大手企業が LLM を動かすチップにどれだけの金額を費やしているかを見てください。XAI 専用のチップを開発するコストは、新しい計算オーバーヘッドの層が必要になるため、おそらくそれを上回るでしょう。 勾配再生 動的メモリ アクセス 低遅延並列処理 とともに エンジニアリングの課題でしょうか。むしろ 悪夢です。 財政上の 心の平安と進歩のパラドックス AI の構築は、すでに実験と最適化の綱渡りのような行為です。そこに説明可能性を加えると、単に綱渡りをしているのではなく、背中に冷蔵庫を背負ってやっているようなものになります。 説明可能性を実現するには、解釈可能な出力を生成するために 必要があります。ビジョン トランスフォーマー (ViT) などの高性能システムは、膨大なデータセットをスキャンして微妙なパターンを抽出するという複雑さをうまく利用していますが、説明可能にするには、多くの場合、アテンション メカニズムや代理モデルを埋め込む必要があり、計算能力を消耗してパフォーマンスが低下する可能性があります。強化学習では、開発者は報酬構造を簡素化したり、解読可能なポリシーを設計したりすることを余儀なくされ、エージェントの最適化の可能性が損なわれる可能性があります。 。 モデルを再構築する 画期的な結果を生み出す複雑さは、透明性要件に縛られたシステムでは悪者になります や などの説明可能性技術では、変動したデータセットを繰り返し評価する コンピューティング負荷は? 説明は無料であるかのようにサイクルを消費し、マルチモーダルや生成 AI などの高度な分野ですでに非常に遅いトレーニング プロセスを遅くします。 開発パイプラインも大きく揺さぶられます。 反事実モデル 因果モデリング 必要があり、現在の反復作業に事後検証のレイヤーが何層も追加されます (ハイパーパラメータの改良、損失関数の微調整、大規模な推論の実行など)。これはいくつかの追加手順ではありません。すべての段階でマラソンであり、ブレークスルーに向けたスプリントであるべきものを官僚的な重労働に変えています。 やった、成功した！ でも ヘルスケアや金融などの業界では、デプロイメントの説明可能性が義務付けられているが、こうした要件は、ゴールラインを越える前にルー・ハミルトンに手首の動き一つ一つを正当化するよう求めているようなものだ。開発者は、モデルが最適に機能することを確認するよりも、モデルが解釈可能であることを証明することに多くの時間を費やしている。AI 駆動型のがん診断ツールを開発した？ すごい。今度は、メガネをかけた規制当局の部屋に、すべての勾配と重みを説明しに行こう。 そんなに早くはない 。規制が最後のボスとして介入するのだ。 それが終わる頃には、おそらくその技術は時代遅れになっており、追い求めていたイノベーションは 。 コンプライアンスの煉獄に閉じ込められている が達成できる限界を押し広げる代わりに、チームは透明性の要求を慎重に回避せざるを得なくなります。スタートアップ企業も研究者も、大胆なアイデアから撤退し、ムーンショットよりもコンプライアンスに配慮した平凡な反復を選択する可能性があります。 。 説明可能性は優先順位を歪めます。AI 進歩は停滞し、野心は消え、全力で走るべき分野は少しずつ前進します ロシア人形問題: 説明には説明が必要 説明可能な AI は不可解なものを単純化すると主張していますが、説明者は聖人ではありません。 。説明者には解釈者が必要で、解釈者には翻訳者が必要です。要点はおわかりでしょう。再帰は啓示として与えられ、私たちは何も知りません。 高度なモデルを解明できるほど賢いツールは、独自の謎を作り出すほど賢いです 例に挙げましょう。これは、別の現実をシミュレートする人たちです。たとえば、アボカドトーストにお金を使う代わりに節約したらどうなるかなどです。結果がどう変わるかを示します。しかし、これらのシナリオは、機能の独立性や入力間の線形関係など、めったに当てはまらない最適化の仮定に依存しています。これらの仮定が満たされないと、説明は別の不可解な抽象化になります。では、それを修正するにはどうすればよいでしょうか。因果モデルまたはサリエンシーマップの 2 番目のレイヤーにより、新しいツールごとに独自のインタープリターが必要になるスパイラルにさらに深くループします。 。 反事実的説明を ブラックボックスを壊す代わりに、同じように不透明な小さなブラックボックスを内部にネストするだけです (テキスト、画像、音声を一度に処理する AI モデル) は非常に便利ですが、非常に複雑です。これらのシステムが、非常に異なる空間で競合する入力のバランスをとる方法を説明するのは、非常に異なるデータ タイプ間で特徴に重み付けして調整する (アテンション レイヤーやクロスモーダル トランスフォーマーなど) を解読する必要がある、非常に困難な作業です。しかし、これらの説明ツール自体は、複雑な最適化ループとパラメーター調整に依存しているため、追加の分析レイヤーが必要になります。 マルチモーダル システム 融合メカニズム を解明するわけではありません。その幻想を実現するために、同じように複雑な別のマシンを構築しているのです。 ああ、皮肉なことに、XAI は AI の神秘性 私たちはブラックボックスを解いているのではなく、それを部分的な明瞭さの無限の破片に分割しており、それぞれが前のものよりも理解しにくくなっています。  「なぜ」を追い求めれば追い求めるほど、AI はより不透明で高価になり、  AI はあまりにも説明可能なので、誰も説明できないという自ら課したパラドックスに私たちは巻き込まれてしまいます。 セーフガード、それともサイドアーム？  SHAP と LIME は、意思決定に影響を与えた要因をきれいな円グラフで表示しますが、 。差別的な結果が論理的なものとして再構成され、郵便番号や消費習慣などの無害な変数が脚光を浴び、性別の代理変数や所得のクラスターなどの醜い偏見が都合よくフレームの外に隠れることがあります。 そのグラフの正直さは、グラフを設計した人の正直さにかかっています 透明性は、誤った手法で行われると、芝居がかってしまいます。 リスクの高い分野では、組織はいくつかのパラメータを編集するだけで、厳格な規制要件に準拠した出力を作成しながら、非倫理的な慣行や技術的な近道をわかりにくくすることができます。説明者を微調整し、適切な物語を入力すれば、 可能になります。偏ったデータセットや欠陥のある目的に基づく決定は、浄化されたロジックに浸すことができ、説明可能性は説明責任への道ではなく、精査に対する盾に変えられます。 。 コード形式でもっともらしい否認が つまり、質問が始まる前にそれを止めるために設計された、疑似ロジックの完璧なレイヤーです   「なぜ」は問題ではなかった AI に させるために数十億ドルを投じるのではなく、AI を することに注力すべき 意思決定に偏りがあるのでしょうか。テイクアウトの注文や姓がローンの申し込みを拒否された理由について 50 層の説明をする代わりに、データセットの重み付けを変更したり、トレーニング中に公平性の制約を適用したり、敵対的手法を使用して隠れた偏りを明らかにして除去したりすることで、 をソースで軽減することに投資しましょう。モデルに埋め込まれてしまう前に、その腐敗を修正しましょう。 自己説明を より良く です。AI の本当の問題は、AI がなぜそうするのかがわからないということではなく、そもそも間違ったことをしてしまうことです。 アルゴリズムの偏り や SHAP などのツールを使ってエラーを正当化するのではなく、ノイズの多い入力や敵対的な入力に対するモデルの感度を低下させる 使用してください。 や などのより優れた正規化、外れ値の検出、および較正方法により、予測が正確であるだけでなく信頼性も確保できます。このアプローチは、誤った決定を過剰に説明する厄介な中間層をスキップし、より優れた決定を下すことに焦点を当てます。 説明可能性だけでは信頼性も解決できません。LIME 堅牢な最適化手法を 温度スケーリング ベイズ不確実性モデル 規制は、XAI の複雑な操作を必要としないもう 1 つのフロンティアです。信頼を得るには、AI が魂をさらけ出す必要はなく、AI が一貫して機能することが必要です。説明可能性を漠然とした標準として義務付けるのではなく、最悪のケースやエッジ シナリオに対する と を推進してください。自動車の衝突テストのように考えてください。エアバッグの展開の仕組みを理解する必要はありません。機能することを知るだけで十分です。AI がなぜ異なるのでしょうか。 強力なテスト フレームワーク 監査パイプライン  「なぜ」は気を散らすものです。 より良い質問は「何」です。AI をより公平で、より安全で、より信頼できるものにするために何ができるでしょうか? 世界は、何が間違っていたのかを100段階にわたって説明する必要はない。 まず第一に、物事を正しく行うように設計されたシステムが必要です。 最終的な考え: パニックになっても、愚か者にならないこと AI のせいであなたが一番近くにあるザナックスを握りしめていないのなら、あなたは隠遁者か、現実を否定しているか、無政府状態を描いているかのいずれかだ 。しかし、 。 。AI は本当に恐ろしい 実存的な恐怖に駆られて に頼るわけにはいかない 、解決しようとしている混沌と同じくらい複雑なプラシーボ ソリューション すべての問題に機械学習による解決が必要なわけではなく、時には、昔ながらの人間の判断で十分機能することもあります。パニックに陥りましょう。恐れ続けましょう。 なります。 面白いことに、AI に対処する最善の方法は、AI にあまり頼らないことかもしれません。 パラノイアは進歩の原動力と しかし、パニックに陥って、私たちが制御しようとしているシステムよりも愚かになってはいけません。

This story contains new, firsthand information uncovered by the writer.

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

2022 - HackerNoon Contributor of the Year - China

2022 - HackerNoon Contributor of the Year - Robotics

Latest story!

Nominated for 2022 - HackerNoon Contributor of the Year - Robotics

Nominated for 2022 - HackerNoon Contributor of the Year - China

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Make resilience your competitive advantage

説明可能なAIは混乱を単に再ブランド化しているだけで、解決しているわけではない

About Author

コメント

ラベル

この記事は

Related Stories

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

HackerNoon ライティングコンテストで優勝したいですか? #crypto-api コンテスト優勝者のおすすめはこちら

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps