歡迎到這談E可解釋的人工智慧:拆箱這黑色的盒子。
讓我們介紹我們自己和讓我們開始和勞拉。
你好，我是勞拉蘭卡斯特,和我是作為統計開發者在聯合管理計劃
和我是位於在這卡里辦公室。
謝謝。
什麼關於你，拉斯？
嘿大家。拉斯沃爾芬格。
我是導演的生活科學研發在這聯合管理計劃團體
和一項研究同胞作為出色地。
看著向前到這演講今天。
和皮特？
我的名字的彼得赫希。
我是部分的這全球的技術的賦能T埃姆
和我是位於在丹佛,科羅拉多州。
偉大的和我的姓名是佛洛里安沃格特。
我是系統工程師為了這化學團隊在歐洲
和我是位於在美麗的海德堡,德國。
歡迎到這講話。
人工智慧是A熱的話題在這片刻和A很多的人們想到做它。
但什麼做那意思是為了這行業？
做它意思是那科學家們和工程師需要到變得編碼員，
為了流程在這未來跑步經過數據科學家們？
A最近的出版品被稱為工業的數據科學 - A審查
的機器學習應用領域為了化學和過程產業
解釋工業的數據科學基礎知識，
評論工業的應用使用
狀態的這藝術機器學習技巧
和它點出去一些重要的方面的工業的人工智慧.
這些是這可及性的人工智慧,這易懂的人工智慧
和這的消耗性人工智慧,和在特別的這輸出。
出色地展示你一些的這特徵那我們思考
是貢獻到這話題非常出色地在JMP。
前我們開始進入這程式的今天，讓我們簡要地審查
什麼人工智慧包含和什麼我們的重點今天是位於在。
我有挑選的A來源那實際上分開它進入四組。
那些團體是：第一的，支援人工智慧也被稱為反應性機器
和這目標在決定支持。
這第二團體是被稱為增強人工智慧
或者有限的理論和那焦點在過程最佳化
和這第三團體是自動化人工智慧,
或者理論的頭腦，哪個，作為這姓名建議，目標在自動化，
和這第四是被稱為自主性人工智慧
或者自己意識到的人工智慧,哪個包含自主性最佳化.
今天的重點是真的在這第一的和這第二話題。
我們有A簡短的討論前。
拉斯，什麼是你的想法在這些也和尊重到什麼聯合管理計劃能覆蓋？
出色地，當然這學期人工智慧得到拋出大約A很多。
它是用過的在許多種類的不同的細緻入微的會議。
我趨向到更喜歡會議那是
確實更多的有形和可用的和更多的專注。
喜歡是去到飛漲在在今天和一些具體的例子。
這術語能得到A小的令人困惑的儘管。
我猜測我只是趨向到種類的保持它相當廣闊，打開頭腦
每當任何人用途這學期人工智慧和嘗試到推論它是意義從這情境.
正確的。 那是在條款的介紹，
現在出色地得到A小的位元更多的進入這細節和具體來說進入
為什麼它是重要的到實際上理解你的人工智慧楷模。
超過到你，皮特.
完美的。 謝謝，佛洛里安.
我思考什麼拉斯曾是打在那裡和弗洛里安的介紹是，
我們很多時候不知道什麼一個人工智慧模型是講述我們和什麼是在下面這兜帽。
什麼時候是思維關於如何出色地A模型施行，
我們思考關於如何出色地那適合這數據。
如果我們看這裡，是看著在A神經的網路圖表
和作為你能看，這些能得到漂亮的複雜的。
這些人工智慧楷模是變得更多的和更多的流行
和靠之上為了決定製作。
真的嗎，理解為什麼一個人工智慧模型是製作A肯定決定，
什麼標準它是立足那決定,
勢在必行到採取滿的優勢的這些楷模。
什麼時候A模型變化或者更新，
尤其和那自主性人工智慧或者這自動化人工智慧,
我們需要到理解為什麼。
我們需要到確認那這模型是或許不是
推論或者立足它在A很少點外部的我們的普通的操作範圍。
抓住在。
讓我偷這螢幕這裡從弗洛里安,
和我是去到去先和走透過A案件學習這裡。
全部正確的，所以這案件學習
是基於在定向的鑽孔從井靠近堡值得，德克薩斯州。
這主意和這類型的鑽孔是
不像傳統的井,在哪裡你會只是去垂直，
你去向下A肯定深度，和然後你開始去水平的。
這主意是這些是很多更多的高效率的比這傳統的井。
你有這些地區的被困油和氣體那你能
得到在和一些特別的完成參數。
是看著在這數據這裡從這些井,
和是試到數位出去什麼是這最多重要的因素，
包括這地質學，這地點，和這完成因素，
和能我們最佳化這些因素到增加或者最佳化我們的出色地生產？
到給你一個主意，這是A地圖的那盆地，
所以喜歡我提及，這是堡值得，德克薩斯州。
你能看我們有井全部大約這。
我們有肯定地區在哪裡我們的每年生產是更高，
其他的在哪裡它是降低。
我們通緝到問A很少問題看著在這數據。
什麼因素有這最大影響在生產？
如果我們知道肯定等級為了A新的出色地，
能我們預測什麼我們的生產將要是？
是那裡A方式到改變我們的因素，或許一些的這完成參數
和影響我們的生產？
是去到去先和回答一些問題和A模型。
但前我們得到進入那，我通緝到問拉斯，
自從他是得到地段的經驗和這。
什麼時候你是開始到挖進入數據，拉斯，
什麼是這最好的地方到開始和為什麼？
出色地，我猜測或許我是有偏見,但我愛聯合管理計劃
為了這類型的應用，皮特，
只是因為它是所以出色地適合為了快的探索性的數據分析。
你想到得到A感覺為了什麼目標你是試到預測
和這預測因子你是關於到使用，看著在他們的分佈，
檢查為了異常值或者任何例外圖案在這數據。
你可能甚至想到做一些快的圖案發現聚類
或者主成分分析類型分析只是到得到A感覺為了任何結構那是在這數據。
然後也是思維小心關於
什麼表現公制會製作這最多感覺為了這應用在手。
通常這常見的一，明顯地為了連續的預測因子將會
喜歡根方法方塊錯誤，但那裡可以是案例在哪裡
可能就是這樣不是相當合適的，尤其如果有
直接的成本涉及，有時絕對錯誤是更多的相關的
為了A真的利潤-損失類型決定。
這些是全部事物那你想到開始思維關於
作為出色地作為如何你是去到證實你的模型。
我是A大的扇子的k 折交叉驗證。
在哪裡你分裂你的數據進入清楚的子集和抓住一出去
和存在非常小心關於不是允許洩漏或者也小心關於過度擬合。
這些是全部擔憂那趨向
到來頂部的頭腦為了我什麼時候我開始出去和A新的問題。
完美的。 謝謝，拉斯。
我是去到走透過這在聯合管理計劃
一些的這工具我們能使用到開始看著在我們的問題。
然後是去到覆蓋一些的這事物那幫助我們決定
哪個的這些因素是擁有這最大影響在出色地生產。
我是去到展示多變的重要性和然後沙普利價值觀
和出色地有勞拉演講到那和如何我們做那。
但首先，讓我們去先和看在這數據裡面A JMP。
喜歡我們提及這裡，我有我的生產從這些井。
我有一些地點參數所以在哪裡它是緯度和經度，
我有一些地質學的參數。
這是關於這岩石形成是鑽孔通過。
然後我有一些完成參數
和這是因素那我們能改變儘管是鑽孔作為出色地，
一些的這些我們可以有影響在。
如果我們通緝到去透過和這數據集僅有的有5,000行。
什麼時候說到拉斯在開始到準備這講話，他說只是去先
和跑步一些模型篩選和看什麼類型的模型適合這數據最好的。
到做那，是去到去先和去在下面這分析選單，
去到預測性模型和打模型篩選。
我是去到放我的回覆,哪個是那生產，
拿全部的我們的因素，地點，地質學和完成參數，
放那些進入這X和抓住我的驗證和放它進入驗證。
向下這裡我們有全部排序的不同的選項在類型的楷模我們能跑步。
我們能挑選和選擇哪個那些或許製作感覺
或者不製作感覺為了這類型的數據。
我們能挑選出去一些不同的造型選項為了我們的線性楷模。
甚至，喜歡拉斯提及這裡，如果我們不有足夠的數據
到抓住後退和做我們的驗證。
那方式我們能利用A k 折交叉驗證在這裡。
現在到節省一些時間，我有消失了先和跑步這已經所以你不有
到手錶聯合管理計劃創造全部這些楷模。
這是這結果。
為了這數據，你能看
那這些樹基於方法：提升樹，引導程式奧雷斯特和XGB奧斯特
全部做過非常出色地在配件這數據，比較的到一些的這其他技術。
我們可以去透過和跑步一些的這些，
但為了這一，我是去到只是挑選
這提升樹自從它有這最好的RS方形和根平均的方塊錯誤
為了這數據集。
出色地去先和跑步那。
後我們已經跑步這篩選、是去到去先和挑選A模型
或者A夫妻的楷模那合身出色地和只是跑步他們。
鋁正確的，所以這是這全面的合身在這案件。
取決於在什麼類型的數據你是看著在，
或許一個RS方形的.5是偉大的，或許一個R方的.5是不是所以偉大的。
只是取決於在什麼類型的數據你有，
你能法官如果這是A好的足夠的模型或者不是。
現在那我有這，我想到回答那第一的問題。
會心A很少參數去在，
什麼能我預計我的生產等級到是？
一個簡單的方式到做那裡面A聯合管理計劃和任何類型模型是和這分析器。
好的，所以我們有這分析器這裡，
我們有全部的這因素那是包括在這模型，
和我們有什麼我們的預期的12月生產到是。
這裡我能調整如果我知道我的肯定地點。
我知道這緯度和經度進去
或許我知道一些的這些地質學的參數。
我能或許調整一些的這些因素
和數位出去的這完成參數
和數位出去A方式到最佳化這。
但我思考這裡和A很多的因素，這能是複雜的。
讓我們演講關於這第二問題，
在哪裡我們是想知道哪個一的這些因素曾是擁有這最大影響。
你能看基於在哪個的這些線是奉承
或者有更多的形狀到他們，什麼是這最大影響。
但讓我們聯合管理計劃做那為了我們。
在下面評估多變的重要性，
我是去到只是讓聯合管理計劃去透過
和挑選這因素那是最多重要的。
這裡你能看它是概述這最多重要的
向下到那些那是較少的重要的。
我喜歡這特徵著色這分析器。
現在它是突出顯示這最多重要的因素
和消失了向下到這至少重要的因素。
再次，我能調整這些和看，哦，它看起來喜歡
或許調整這深度的這出色地，
添加一些更多的[聽不清楚 00:15:51],它可能提升我的生產。
那是這方式我們可以做這但我們有A新的方式的看著
在這影響的每個一的這些因素在A肯定出色地。
我們能發射那在下面這紅色的三角形在聯合管理計劃17 號和沙普利價值觀。
我能放我的選項或者節省出去這沙普利價值觀。
一次我做那，它將要創造新的列在我的數據桌子
那節省出去這貢獻從每個一的那些因素。
這是在哪裡我是去到讓勞拉演講到一些沙普利價值觀。
我只是通緝去到演講簡要地關於什麼沙普利價值觀是
和如何我們使用他們。
沙普利價值觀是A模型不可知論者方法為了解釋模型預測
和他們是真的有幫助的為了黑色的盒子楷模
那是真的難的到解釋或者解釋。
這方法來了從合作社遊戲理論
和我不有時間到演講關於這背景
或者這數學在後面這計算，但我們有A參考
在這底部的這滑動和如果你Google它，你應該是有能力的到尋找
A很多的參考到學習更多的如果你是有興趣的。
什麼這些沙普利價值觀做，
他們告訴你如何很多每個輸入多變的
是貢獻到一個個人預言為了A模型。
那是離開從這平均的預料到的價值
穿過這輸入數據集
和你的輸入數據集是去到來從你的訓練資料。
沙普利值是添加劑，
哪個使他們真的好的和簡單的到解釋和理解。
每一個預言能是書面作為A和的你的沙普利值
加那平均的預料到的價值，
哪個我們參考到作為這沙普利截距在JMP。
他們能是計算地密集的
到計算如果你有A很多的輸入值，輸入變數你的模型
或者如果你是試到創造沙普利值為了A很多的預測。
我們嘗試到給一些選項為了幫助到減少時間在 JMP 中。
這些沙普利價值觀，作為彼得提及，
是添加到這預言分析器為了相當A很少的這楷模在聯合管理計劃臨17
和他們是也可用的在這圖形分析器。
他們是可用的為了適合最小 S誇雷斯名目物流，O基數後勤，
神經，將軍，P分項,引導程式森林和提升樹。
他們是也可用的如果你有這XB奧斯特添加-在。
除了在那添加-I ,他們是可用的從這模型選單
和不是從這預言分析器。
好的，下一個滑動。
在這滑動我想到只是看在一些的這預測從彼得的模型。
這是從A模型使用五輸入變數。
這些是堆疊酒吧圖表的這第一的三預測
未來從這第一的三列的他的數據。
在這左邊你看A堆疊長條圖的這沙普利價值觀為了這第一的排。
那第一的預言是11.184生產桶
數十萬。
每個顏色在那酒吧圖形是分為出去經過這不同的輸入變數。
裡面這酒吧是這沙普利值。
如果你添加向上全部的那些價值觀，加這沙普利截距
那我有在這中間的這圖形，你得到那預言價值。
這是顯示你那第一的的全部，全部的這些是製作
積極的貢獻到這生產和他們展示你如何很多，所以尺寸，
我能看那經度和支撐劑
是貢獻這最多為了這特別的預言。
然後如果我看到這正確的邊到這第三預言，
哪個是2.916生產桶和數百的數千,
我能看那二的我的輸入變數
是貢獻積極地到我的生產
和三的他們是擁有消極的貢獻，
這底部三這裡。
你能使用圖表喜歡這到幫助視覺化你的沙普利價值觀。
那幫助你真的理解
這些個人預測。
下一個滑動。
這是只是一的許多類型的圖表
你能創造。
這沙普利價值觀得到已儲存進入你的數據桌子。
你能操縱他們
和創造全部種類的圖表在圖形建設者和JMP。
這圖形是只是A圖形的全部這沙普利價值觀
從超過5,000列的這數據分裂出去經過每個輸入多變的。
它只是給出你一個主意的這貢獻的那些變數，
兩個都積極的和消極地到這預測。
現在我是去到手它後退超過到彼得.
偉大的。謝謝，勞拉。
我思考現在出色地去先和過渡到我們的第二案件學習
那佛洛里安是去到做。
應該我經過這螢幕分享後退到你？
是的，那會是偉大的。
進行過渡。
謝謝為了這第一的案件學習和謝謝為了這貢獻。
真的有趣的。
我希望我們能帶來一些光到A不同的種類的應用
和我們的第二案件學習。
我有給定它這字幕，曾是它扭力？
因為那是A問題出色地有希望回答了
經過這結尾的這第二案件學習推介會。
這第二案件學習是關於預測性的維護
和這特別的方面的為什麼它是重要的到理解
你的楷模在這設想。
最多可能大家能思考那它是非常重要的
到有A感覺為了什麼時候機器要求維護。
因為如果機器失敗，那麼那就是A很多的麻煩，
A很多的成本，什麼時候植物有到關閉向下和所以在。
它是真的必要的到做預防性的維護
到保持系統跑步。
A主要的任務在這是到決定
什麼時候這維護應該是執行的
和不是也早期的，不是也晚的，當然。
所以，它是A任務到尋找A平衡
哪個限制失敗和也節省成本在維護。
有A案件學習那是使用到強調一些功能特徵
和它是實際上A合成的數據放
哪個來了從A發表學習。
這來源是向下那裡在這底部。
你能尋找它。
它曾是發表在這人工智慧為了產業事件在2020.
這基本的內容的這數據集
是那它有六不同的特徵的流程設定,
哪個是產品或產品類型
哪個表示為了不同的品質變種。
然後我們有空氣溫度，
流程溫度，旋轉的速度，扭力，和刀具磨損。
我們有一主要的回覆和那是無論這機器失敗或者不是。
什麼時候我們思考的問題
那我們可以回答和A模型或者楷模或者一般來說數據。
有一些那來到頭腦。
現在，這最多明顯的問題
是大概如何我們能解釋和解釋設定,
哪個可能帶領到機器失敗。
這是某物[聽不清楚 00:24:38]
到創造和比較多種的楷模
和然後選擇這一那是最多合適的。
現在，在這特別的環境在哪裡我們想到預測
無論機器失敗或者不是。
我們也有到帳戶為了錯誤分類
那是任何一個A錯誤的積極的或者A錯誤的消極的預言。
和JMP的決定臨界點圖表
和這利潤矩陣，我們能實際上指定一個強調
或者重要性到哪個結果是較少的理想的。
為了例子，
它是通常較少的理想的到實際上有A失敗
什麼時候這模型沒有預測一
比較的到這對面的，錯誤分類。
然後除了這二進位分類，的課程，
你是也有興趣的在理解什麼驅動器失敗通常。
那裡是當然一些方法到交易和這問題。
我思考視覺化是總是A部分的它。
但什麼時候是使用楷模我們能考慮，
為了例子，這自己解釋楷模
喜歡決定樹或者我們能使用內建在功能性
喜歡這預言分析器和這多變的重要性特徵。
這最後的觀點這裡
什麼時候我們調查並評價哪個因素是最多重要的
為了這預測性的結果，
我們認為那那裡是一個潛在的行為。
這最多重要的因素是XYZ，
但我們做不是知道哪個因素實際上
有貢獻了到什麼程度到一個個人預言。
A獲得，沙普利價值觀是A非常有幫助的
添加那能允許我們到理解這貢獻
為了每個的這因素在個人預言。
上一個一般的等級，
現在，讓我們拿A看進入三具體的問題
和如何我們能回答那些和這軟體.
這第一的一是如何做我們調整預測性的模型
和尊重到這高的重要性的省略錯誤的消極的預測？
這假設A小的位元那我們已經已經完畢A第一的步
因為我們已經已經見過模型篩選和如何我們能得到那裡。
我是開始一步先。
讓我們移動進入聯合管理計劃到實際上拿A看在這。
我們看這數據集，我們可以看到它相當小的，
不是也許多列。
它看起來非常簡單的。
我們僅有的有這些很少預測因子和有一些更多的列。
有也A驗證柱子那我有添加，
但它是不是顯示這裡。
作為為了這第一的問題，
讓我們認為我們有已經完畢這模型篩選。
再次，這是無障礙
於分析過的預測性的模型篩選
在哪裡我們不指定什麼我們想到預測
和這因素那我們想到調查。
再次，我有已經準備好了這。
我們有一個結果那看起來喜歡這。
它看起來A小的位元不同的比在這第一的使用案件
因為現在我們有這二進位結果
和所以我們有一些不同的措施
那我們能使用到比較。
但再次，什麼是重要的是那我們有一個概述
的哪個的這方法是表演更好的比其他那些。
作為我們說，在命令到現在提升
這模型和強調在省略這些
錯誤的消極的預測。
讓我們只是挑選這一和看什麼我們能做這裡。
讓我們或許甚至挑選這第一的三這裡，
所以我們能只是做那經過保持這控制鑰匙。
其他特徵那將要幫助我們這裡
是被稱為決定臨界點
和它是位於在這紅色的三角決策臨界點。
這決定臨界點給出我們一些內容。
我們有這些圖表這裡，這些節目這實際的數據點。
我們有這錯亂矩陣
和我們有一些額外的圖表和矩陣，
但我們將要重點在這上部分這裡。
讓我們實際上拿A看在這測試部分的這放。
什麼時候我們拿A看在這，
我們能看那我們有不同的類型的結果。
這預設的這機率臨界點
是這中間，哪個會是這裡在.5.
我們有現在一些選項到看和最佳化這模型
和如何有效的它是和尊重到這錯亂矩陣。
錯亂矩陣，我們能看這預料到的價值
和無論那實際上曾是真的或者不是。
如果我們看在什麼時候哦失敗是預料到的，
我們能看那這裡，和這環境，
我們實際上有相當A高的數位的失敗，
甚至儘管那裡是不預料到的。
現在我們能互動地探索如何調整這臨界點
實際上影響這準確性的這模型或者這錯誤分類費率。
或者在一些案例，我們能也放
一個強調在什麼是真的更差比一個其他失敗。
我們能做這和這所以被稱為利潤矩陣。
如果我們去這裡，我們能放A價值
在哪個的這錯誤分類是實際上更差比這其他一。
在這案件，我們真的做不是想
到有A預言的不失敗
什麼時候那裡實際上是A失敗正在發生。
我們會放某物喜歡20次。
更多的重要的，我們做不是得到這錯誤分類
和我們放它和打好的，
和然後它將要自動地更新這圖形
和然後我們能看那這價值觀為了這錯誤分類
有掉落現在在每個的這楷模
和我們能使用這作為一個額外的工具
到選擇A模型那是或許最多合適的。
那是為了這第一的問題的如何我們能調整A預測性的模型
和尊重到這更高重要性的省略錯誤的消極的預測。
現在，其他問題這裡是也什麼時候我們思考的維護
和在哪裡我們放我們的努力進入維護，
是如何能我們確認和交流
這全面的重要性的預測因子？
什麼因素是駕駛這系統，這失敗？
讓我們去後退到這數據桌子到說那第一的，
我親自喜歡視覺的和簡化的那些。
一的他們那我喜歡到使用是東西喜歡這平行線陰謀。
因為它是真的A好的概述總結
在哪裡這失敗團體以及哪個參數設定和所以在。
在這造型和機器學習邊，
有A很少其他選項那我們能實際上使用。
一那我喜歡因為它是非常脆和清除，
是這預測器篩選。
預測器篩選給出我們非常袖珍的輸出
關於什麼是重要的和它是非常簡單的到做
和它是在下面分析過的篩選、
預測器篩選。
A二我們需要到做是說什麼我們想到理解
和然後指定這參數
那我們想到使用為了這。
點選好的，和然後它重新計算
和我們有這輸出。
為了我，它是A真的好的事物
因為正如我所說，脆和清除和消耗。
但我們已經談過關於這前
和拉斯，什麼時候是在職的和楷模特別，
做你有任何其他建議或者做你有任何事物到添加
到我的方法到理解這因素
的哪個預測因子是重要的。
是的，它是A好的事物到嘗試。
作為我提及早些時候，你得到到是真的小心
關於過度擬合。
我傾向於工作和A很多的這些寬的問題，
說從基因組學和其他應用程式,
在哪裡你可能甚至有
許多更多的預測因子比你有觀察。
在這樣的A案件，如果你是到跑步預測器篩選、
說或許挑選這頂部10最好的
和然後去轉動正確的大約和合身A新的模型
和那些10僅有的，你已經實際上只是放你自己向上
為了過擬合如果你做過這預測器篩選在這全部的數據放。
那是這設想我是擔心的關於。
它是一個簡單的陷阱到落下進入，
因為你思考你是只是濾事物向下，
但你已經得到到重複使用這相同的數據兩次。
這危險會是如果你是到然後插上申請那模型
到一些新的數據，它可能慣於做幾乎作為出色地。
如果你是在這遊戲在哪裡你想到減少預測因子，
我趨向到喜歡到更喜歡到做它之內每個折疊的A K 折。
這退稅的那是你會得到
A不同的放每一個時間，但你不能總計的那些事物。
如果你得到A肯定預測器
這只是顯示向上始終如一地穿過褶皺。
它是非常好的證據的。 那是A非常重要的一。
我預計那是什麼會發生在這案件和，說，扭矩。
甚至如果你是到做這鍛煉，
說10次和10不同的褶皺，你可能得到A漂亮的相似的排行，
但它是更多的的A微妙
但再次， A危險那你有到手錶出去為了。
工作能製作它A小的位元更輕鬆只是因為事物是所以快的和乾淨的，
喜歡你提及，那你可能落下進入那陷阱如果你是不是小心。
是的，那是非常有價值的添加到這方法。
只是陪伴到這額外的資訊,
有也這其他選項那我們有，
特別什麼時候我們有已經
消失了透過這流程的創造A模型在哪裡我們能然後
實際上再次，使用這預言分析器和這多變的重要性。
它是其他方式在哪裡我們能評估
哪個的這變數有這更高重要性。
拉斯，做你想到說單字在那也
在對比或許到這預測器篩選？
是的。 誠實地，沃格特,我喜歡這重要性這是一個小的更好的。
只是潛水正確的進入這造型。
再次，我會更喜歡和K 折。
然後你能只是使用這多變的重要性措施，
哪個是常真的資訊豐富的直接地。
他們是非常相似的。 在事實，預測器篩選、
我相信，它是只是呼叫引導程式森林在這背景
和收集這最多重要的變數。
它是基本上這相同的事物。
然後下列的向上和這分析器，哪個能是出色的為了看到確切地
如何肯定變數是邊際地影響這回覆,
和然後鑽孔那甚至更遠和沙普利
到是有能力的到休息向下個人預測
進入他們的成分。
到我，它是A非常引人注目的和有趣的方式
到潛水進入A預測性的模型
和理解什麼是真的去在和它，
一種拆包這黑色的盒子
和出租你看什麼是真的正在發生。
是的，謝謝。
我思考那是這所有的觀點，
製作它可以理解的和製作它消耗品
除了，的課程，實際上得到到這結果，
哪個是理解哪個因素是影響這結果。
謝謝。
現在，我有一更多的問題，和你已經已經提及它。
什麼時候我們分數新的數據，在特別的，
什麼能我們做到確認
哪個預測因子有實際上影響這模型結果？
現在，和什麼我們有完畢所以遠的，
我們有獲得A好的理解的這系統和知道
哪個的這因素是這最多主導的和我們能甚至衍生操作範圍。
如果這系統變化，什麼如果A不同的因素實際上驅動器A失敗？
然後作為它會是預期的在這案件我們已經交談過勞拉預先，
和沙普利五世價值再次是A偉大的添加那將要幫助我們到解釋。
我們已經見過如何我們能產生他們，
和你已經學到了在哪個平台他們會是可用的。
現在，這輸出那你得到什麼時候你節省所得的 Shapley 值是，
為了例子，也A圖形那節目我們每實際的每排。
在這案件，
我們有10,000列在這數據選項卡，所以我們有 10,000 個堆疊長條圖，
和然後我們能已經看除了常見的模式之外，
有也次什麼時候有其實還有其他影響因素
那駕駛這決定的這模型。
它是真的A有幫助的工具到不是僅提出個人預測，
但也添加在到那什麼拉斯只是說，
理解的這系統，哪個因素貢獻。
什麼時候我們移動A小的咬上
在這可以理解的或者探索之路，
我們能使用這些沙普利價值觀在不同的方法。
什麼我親自喜歡是建議
到實際上陰謀這沙普利價值經過他們的實際參數設置，
因為那允許我們到確認地區的設定.
為了例子，
如果我們拿旋轉的速度這裡，我們能看那有實際上
地區的這範圍那趨向到貢獻A很多
在條款的這模型結果，但也在條款的這實際的失敗。
那也幫助我們得到更多的理解
和尊重到這實際的機器故障的問題及其原因，
和也和尊重到為什麼這模型預測某事。
現在，最後，我喜歡到回答這問題。
什麼時候我們拿這些圖表的沙普利值，
和我們有見過它前在有幾次，
庫存是當然A主導的因素。
但從全部的這些，我有只是挑選的A很少預測，
和我們能看那有時它股票,有時它是不是。
和這沙普利價值觀，我們確實有一個很棒的方法
到口譯A具體的預言經過這模型。
全部正確的，所以那些是這事物我們通緝到展示。
我希望這給出一些偉大的洞察力
進入如何我們能製作人工智慧楷模更多的可以解釋的,
更多的可以理解，
更多的簡單的到消化和到工作和，因為那是這意圖這裡。
是的， ID喜歡到總結A小的位元.
皮特，或許你想來在和幫助我這裡。
我思考什麼是希望到展示是那
作為這些人工智慧楷模變得更多的和更多的流行
和是靠之上為了決定製作，那理解，口譯,
和存在有能力的到交流那些楷模是非常重要的。
我們希望那和這些沙普利訴價值，
和這多變的重要性，並且透過分析器，
我們已經顯示你A夫妻的方法那你可以分享分享這些結果
和有他們容易地可以理解。
那曾是這拿-家在那之間和存在有能力的到利用
模型篩選之類的事情，
希望，你成立A很少技巧
那將要製作這更多的可以理解的和較少的的A黑色的盒子。
是的，我絕對地同意。
只是到總結，我真的喜歡到感謝拉斯和勞拉
為了貢獻這裡和你的專業知識。
謝謝，皮特. 它是A樂趣。
謝謝，大家來聽聽。
是看著向前到擁有討論和問題到回答。
