Utvidelse av modell-induksjonsmetoder ved bruk av Case-Based Reasoning for forklaring av dype nevrale nett

Kunstig intelligens er i kontinuerlig utvikling i et forsøk på å løse nye og utfordrende problemer. Med AIs suksess har spørsmålet om forklarbarhet blitt tydeligere. Mange av de populære algoritmene anses å være ugjennomsiktige modeller som ikke klarer å forklare sine beslutning til en bruker, dype nevrale nettverk er inkludert en av disse. I denne oppgaven har vi tatt en nærmere titt på tidligere forsøk på å forklare AI, både med og uten, case-based reasoning. Bruken av modellinduksjonsmetoder har vært i sentrum av vår forskning. Vi har designet en arkitektur for et system som er i stand til å forklare dype nevrale nettverk, ved å kombinere case-based reasoning og modell-induksjonsmetoder. For å vise frem systemet, implementerte vi en liten del av det utformede systemet for å vise frem hvordan det kan bli brukt