MRP646218 IS200TVBAH2ACC MVME 5100
根据IBM的说法，XAI是一套允许人类用户理解和信任最大似然算法输出的过程和方法(参考文献11)。此外，可解释性可以增加责任和治理。
提高人工智能的可访问性:面向ML的云计算的“产品化”已经将大型计算资源和模型(曾经只为大型科技公司保留)放在个人消费者和较小的组织手中。这种可访问性的巨大转变推动了该领域的进一步创新。现在，各种规模的消费者和企业都可以获得以下好处:
预训练模型(GPT3、YOLO、CoCa[微调])
构建无代码/低代码解决方案的模型(Azure的ML Studio)
无服务器架构(托管公司管理服务器维护)
需要时立即提升更多内存或计算能力
提高了弹性和可扩展性。
数据思维转变:从历史上看，以模型为中心的ML开发，即“保持数据固定并迭代模型及其参数以提高性能”(参考文献12)，一直是典型的做法。不幸的是，模型的性能取决于用来训练它的数据。尽管数据并不稀缺，但高性能的模型需要精确的、正确标记的和有代表性的数据集。这个概念将思维模式从以模型为中心的开发转变为以数据为中心的开发——“当您系统地改变或增强您的数据集以提高模型的性能时”(参考文献12).
如何提高数据质量的一个例子是创建描述性标签指南，以减轻使用AWS的Mechanical Turk等数据标签公司时的回忆偏差。此外，负责任的人工智能框架应该到位，以确保数据治理、安全和隐私、公平和包容性。
通过联合学习实现数据隐私:数据隐私的重要性不仅催生了新法律(如GDPR和CCPA)，也催生了新技术。联合学习使得ML模型能够使用分散的数据集来训练，而无需交换训练数据。个人数据保留在本地站点，降低了个人数据泄露的可能性。
此外，不需要传输原始数据，这有助于进行实时预测。例如，“谷歌使用联合学习来改进设备上的机器学习模型，如谷歌助手中的‘嘿谷歌’，它允许用户发出语音命令”(参考文献13)。
