امروزه هوش مصنوعی با زندگی روزمره ما درهم آمیخته شده است و تصمیمات مهمی توسط مدل های یادگیری ماشین گرفته می‌شود که می‌تواند بر زندگی ما بسیار تاثیرگذار باشد. منتقدین اعتقاد دارند که یادگیری ماشین مدل‌هایی را تولید می‌کند که اصطلاحا Black Box و یا جعبه سیاه هستند. این بدین معناست که این سیستم‌ها خروجی‌های ارزشمندی دارند که برای انسان قابل فهم و یا توضیح نیست.

البته این یک باور نادرست است و یادگیری ماشین می‌تواند ترجمه پذیر باشد و این یعنی ما می‌توانیم مدل‌های قابل فهم و قابل سنجش بسازیم و این دلیلی ست که می‌توانیم از هوش مصنوعی حتی در محیط‌های پر ریسک در زمینه هایی مثل پزشکی و یا مالی استفاده کنیم. یادگیری ماشین ترجمه پذیر یا interpretable machine learning به روش‌ها و مدل‌هایی اشاره دارد که رفتار و پیش‌بینی سیستم‌های یادگیری ماشین را برای انسان قابل فهم می‌کنند. در این وبینار به طور کلی تکنیک های متداول ترجمه مدل‌های یادگیری ماشین را شرح خواهیم داد.

سرفصل‌های وبینار Interpretability of Machine Learning Models:

• Introduction
• Importance of interpretability
• Taxonomy of interpretability methods
• Interpretability versus explainability
• Evaluation of interpretability
• Interpretable models
• Model-agnostic methods: Local and Global
• Future of interpretability
• Conclusion