Klassifizierung von erklärbaren Methoden der künstlichen Intelligenz anhand ihrer Ausgabeformate

Maschinen- und Deep Learning haben ihre Nützlichkeit bewiesen, datengetriebene Modelle mit hoher Genauigkeit und Präzision zu generieren. Ihre nichtlinearen, komplexen Strukturen sind jedoch oft schwer zu interpretieren. Folglich haben viele Wissenschaftler eine Vielzahl von Methoden entwickelt, um ihre Funktionsweise und die Logik ihrer Schlussfolgerungen zu erklären. Diese systematische Überprüfung hatte das Ziel, diese Methoden in ein hierarchisches Klassifikationssystem zu organisieren, das bestehende Taxonomien aufgreift und erweitert, indem es eine wesentliche Dimension hinzufügt – die Ausgabeformate. Die überprüften wissenschaftlichen Arbeiten wurden durch eine erste Suche in Google Scholar mit den Schlüsselwörtern „erklärbare künstliche Intelligenz“; „erklärbares maschinelles Lernen“; und „interpretierbares maschinelles Lernen“retrieved. Eine anschließende iterative Suche wurde durchgeführt, indem die Bibliografie dieser Artikel überprüft wurde. Die Hinzufügung der Dimension des Erklärungsformats macht das vorgeschlagene Klassifikationssystem zu einem praktischen Werkzeug für Wissenschaftler, das sie bei der Auswahl des am besten geeigneten Typs von Erklärungsformaten für das jeweilige Problem unterstützt. Angesichts der Vielzahl von Herausforderungen, mit denen Forscher konfrontiert sind, bieten die bestehenden XAI-Methoden mehrere Lösungen, um den Anforderungen gerecht zu werden, die sich zwischen den Nutzern, den Problemen und den Anwendungsfeldern der künstlichen Intelligenz (KI) erheblich unterscheiden. Die Aufgabe, die geeignetste Erklärung zu identifizieren, kann überwältigend sein, was die Notwendigkeit eines Klassifikationssystems zur Auswahl von Methoden verdeutlicht. Diese Arbeit schließt mit einer kritischen Identifizierung der Einschränkungen der Erklärungsformate und gibt Empfehlungen sowie mögliche zukünftige Forschungsrichtungen, wie eine allgemein anwendbare XAI-Methode aufgebaut werden kann. Zukünftige Arbeiten sollten flexibel genug sein, um den vielen Anforderungen gerecht zu werden, die durch den breit gefächerte Einsatz von KI in verschiedenen Bereichen und die neuen Vorschriften gestellt werden.