오오쓰보 나오키, 나카에 도시히로, 후카사와 유타, 도요카 쇼, 사카모토 뎃페이  | 비제이퍼블릭

24,300원  | 20221124  | 9791165921644

그 순간, 인공지능은 왜 그렇게 생각했을까? 설명 가능한 AI인 XAI로, AI의 마음속을 들여다본다! 어느덧 우리 주변에서 AI를 쉽게 접할 수 있는 시대가 되었다. 여러 다양한 기업에서도 AI를 통해 전략을 수립하거나 투자를 결정하고, 데이터 관련 법이 제정 및 공표되어 빅데이터를 수집하고 활용하는 근거가 마련되고 있다. 하지만 AI가 갑자기 일반적인 결과에서 벗어나 엉뚱한 결과를 도출한다면 어떻게 될까? 만약 생명과 관련된 AI에 이러한 문제가 발생한다면 큰 사고로도 이어질 수 있다. 하지만 ‘AI의 책임성’, 즉 AI가 도출하는 추론 결과에 명확한 근거를 제시하기 어려운 것이 현실인데, 이때 그 해결책으로써 'eXplainable AI', 즉 XAI가 주목받고 있다. XAI는 AI에 관한 업무를 수행하거나 관심이 있다면 반드시 알아두어야 할 분야이다. 이 책은 XAI의 배경부터 개별 기술까지 체계적으로 학습하고 몇 가지 주요 라이브러리를 시험 삼아 구동해 보면서 실무 지식을 얻을 수 있는 해설서이다. 특히 각 기술들을 최소한의 수학적 전개를 통해 설명하며, 파이썬으로 구현하기 때문에 XAI를 실무에서 빠르게 적용할 수 있도록 하며, 그 외에 XAI에 대한 주요 이슈 및 앞으로의 전망도 설명한다. XAI가 무엇인지 개념을 잡고 싶거나 각 기술을 직접 소스 코드로 구현해 빠르게 확인해 보고 실무에 적용하려는 분들에게 꼭 필요한 책이 될 것이다. 소스 코드 다운로드 https://github.com/bjpublic/XAI

진하수  | 부크크(bookk)

17,700원  | 20231016  | 9791141047481

설명가능하고 해석가능한 AI의 세계를 소개한다. 다양한 유형의 AI 시스템을 화이트박스와 블랙박스 모델을 구분하고 논의한다. 모든 개념은 실용적인 지식을 구축하기 위해 많은 예시와 함께 제시한다. 독자들이 기계 학습 개론과 딥러닝 모델에 어느 정도 배경이 있다고 가정하지만, 처음 접하는 독자도 읽을 수 있을 것이다. 파이썬 프로그래밍 언어와 관련 패키지에 대한 지식은 도움이 되지만 필수 사항은 아니다. 참고용으로 사용할 수 있다. 공정성과 편견에 초점을 맞추고 설명가능한 인공지능을 위한 길을 다룬다. 공정성에 대한 다양한 정의와 모델의 편향 여부를 확인하는 방법을 다룬다. 데이터 세트를 문서화하는 표준화 접근 방식과 편향을 완화하는 기술, AI 시스템의 이해관계자와 사용자에 대한 책임감에 대해서 논의한다. 설명가능한 AI 방법론으로 글로벌과 로컬, 사전단계, 내재적 단계, 포스트 호크와 모델 에고니스틱과 특정 모델 방식을 구분하여 다루고 있다. 전통적 방식의 설명가능한 인공지능에는 탐색적 데이터 분석(EDA) : 시각화와 비시각화 방식, 일변량 시각화과 다변량 시각화 기술 등이 있다. 모델 설명에 인공신경망, 앙상블 기법, 전통적인 방식, 의사결정 트리 방식, 규칙에 근거한 방식과 채점방식으로 나누어 설명한다. 인공신경망 모델 적용에서 섭동방식과 기울기 기반 방식으로 나누고, 모델 애고니스틱 방식에서 시각화 설명 방식, 특징 기반 방식과 예제 기반 방식으로 나누어 설명한다. 자연어 처리(NLP)에서 텍스트 말뭉치와 N-그램 분석, 문제 분석, 워드 클라우드와 말뭉치 시각화 등으로 XAI를 다룬다. 컴퓨터 비전에서 분포 분석과 2D 투영 분석을 통한 시각화 기법을 소개한다. 피쳐 엔지니어링 기법으로 필터 기반 방식, 정보이론 방식, 통계 기반 방식, 래퍼기반 방식, 비지도 방식과 임베디드 방식 등을 정리한다.

비피기술거래, 비피제이기술거래  | 비티타임즈

59,400원  | 20221004  | 9791163453864

알파고로 인공지능에 대한 관심이 증가한 이후, 인공지능의 열기는 식지않고 다양한 분야에서 활용되고 있다. CNN, RNN 등 다양한 알고리즘이 개발되었고, 이에 다양한 분야에서 인공지능을 활용하여 자동화 등을 이룩하고 있다. 하지만 밝은 부분이 있다면 어두운 부분도 있는 것이 순리인 바, 기존 인공지능 알고리즘의 문제점 또한 두드러지기 시작했다. 초기 인공지능과 다르게 최근 인공지능을 위한 신경망은 다양한 층을 가지게 되었고, 이에 따라 인공지능이 결정을 추론하는 방법과 과정을 사용자 뿐만 아니라 개발자 조차도 모르게 되었다. 이를 우리는 인공지능의 블랙박스 또는 불투명성이라고 하는데, 이러한 부분을 해결하지 못한다면 인공지능의 활용은 어느 순간 신뢰를 잃게 될 것이다.

안재현  | 위키북스

25,200원  | 20200327  | 9791158392000

XAI(eXplainable Artificial Intelligence)는 인공지능의 판단 이유를 설명하는 연구 분야로, 인공지능 기술이 확대되면서 그 필요성이 함께 증가하고 있습니다. 이것은 알고리즘의 설계자조차 인공지능의 판단 이유를 설명하지 못하는 '블랙박스' 인공지능과 반대되는 개념입니다. XAI는 인공지능의 불확실한 의사 결정 과정을 해소해 인공지능에 대한 신뢰성을 높여줍니다. 이 책에는 전통적인 머신러닝 기법에 적용할 수 있는 XAI 기법부터 최신 딥러닝 모델에 사용할 수 있는 XAI 기법까지 수록돼 있습니다. XAI는 인공지능의 의사 결정 이유를 추정하는 기술이기 때문에 이론뿐만 아니라 기법 적용 과정 또한 중요합니다. 따라서 이 책에는 기존 XAI 서적에서 다루지 않았던 예제 코드를 함께 수록했습니다. 먼저 이론을 학습하고 해당 이론에 대응하는 코드를 따라 하면서 별도의 설치 과정 없이도 XAI 해석 결과를 직접 확인할 수 있습니다. ★ 이 책에서 다루는 내용 ★ ◎ 피처 중요도 ◎ 부분 의존성 플롯 ◎ XGBoost 모델 구축 ◎ LIME(Local Interpretable Model-agnostic Explanations) ◎ SHAP(SHapley Additive exPlanations) ◎ 필터 시각화 ◎ 합성곱 신경망(CNN) 구축 ◎ LRP(Layer-wise Relevance Propagation) ◎ 실전 분석 1: 신용 대출 분석 모델 구축하고 설명하기 ◎ 실전 분석 2: 사진 감정 분석 모델 구축하고 설명하기

박유성  | 자유아카데미

31,500원  | 20240115  | 9791158085339

앙상블러닝이나 딥러닝은 예측의 정밀도 측면에서 전통적인 통계적 예측 방법론을 앞서고 있다고 해도 과언은 아니다. 이러한 예측 정밀도에도 불구하고 AI를 알지 못하는 end-user에게 이들 모형의 예측이 ‘왜?’‘어떻게?’를 설명하지 못하면, 정밀도만 높을 뿐 모형의 예측 결과가 산업현장의 의사결정에 거의 도움을 주지 못하게 된다. XAI는 AI 모형과 end-user 간의 이러한 괴리를 메꿀 뿐만 아니라 AI 모형을 투명하고(transparency) 신뢰할만하게(trustworth) 만드는 도구이자 모형이다. 특히, XAI는 AI에 대한 전문지식이 없는 산업현장과 연구 분야에 있는 end-user도 AI 모형의 예측 결과를 쉽게 이해하고 진단할 수 있도록 한다. 이 책에서는 AI 모형을 적합시키고 예측했을 때, “이 예측모형에서 어떤 특성 변수가 얼마나 중요하지? 특정 표본의 예측 결과에 대한 각 특성 변수의 기여도는? text 데이터 또는 image 데이터인 경우, 어떤 단어(또는 단어모임) 또는 이미지의 어떤 부분이 예측 결과에 중요한 기여를 하지? 각 특성 변수값이 변화할 때 예측값은 어떤 방향으로 얼마만큼 변화하지? 특성 변수 간의 교호작용이 예측에 미치는 영향은? 특정 클래스에 소속되기 위해서 결정적인 역할을 하는 특성 변수값은? 텍스트는? 이미지는? 원래 클래스에서 다른 클래스 또는 목표 클래스로 변경하기 위해서는 어떤 특성 변수를 얼마만큼 변경해야 하지? 이미지의 어떤 부분을 어떻게 변화시키면 되지?”등의 여러 질문에 대한 답변을 통해, XAI의 역할과 기능을 체계적으로 정리하고 다양한 예제를 실습하도록 하여 XAI를 실제 문제에 응용할 수 있도록 하였다. XAI의 또 다른 중요한 기능은 end-user의 언어로 AI 모형을 설명하는 데 있다. 이러한 설명은 AI에 대한 지식이 없더라도 모형의 구조를 이해하게 할 뿐만 아니라, 모형의 bias와 fairness를 점검하여 AI 모형의 특이현상 여부를 end-user의 관점에서 판별할 수 있도록 한다. 아무리 정밀도가 높더라도 bias가 있거나 fairness가 결여된 AI 모형은 실제 문제에 적용할 수 없으므로 적용 가능한 AI 모형인지에 대한 AI 모형의 신뢰도 점검은 필수적이다. XAI를 효과적으로 처리할 수 있도록 ELI5, shap, lime, alibi, InterpretML 등의 라이브러리의 사용법을 자세하게 설명하였으며 실습에 필요한 코드와 데이터는 자유아카데미 홈페이지 자료실(www.freeaca.com)에서 download할 수 있도록 하였다. 각 라이브러리의 사용법을 자세하게 수록하였지만, 라이브러리별로 자료의 사전정리 과정이 매우 다르고 경우에 따라서는 매우 복잡하여 쉽게 익숙해지지 않을 것이다. XAI에 익숙해지는 가장 좋은 방법 중 하나는 이 책에서 제공한 각 XAI의 방법론에 대한 직관적인 설명을 먼저 이해하고 제공된 코드를 seed code로 하여 필요할 때마다 수정하여 사용하는 방법이다. 오자와 탈자가 없도록 반복하여 확인하였지만 발견되면 저자에게 알려주길 바란다. 끝으로 이 책의 개념도를 그려주고 교정을 도와준 박진세군의 노고에 감사를 전하며, 항상 응원하고 격려해 주는 사랑하는 가족들에게도 감사의 마음을 전한다.

Denis Rothman  | DK로드북스

25,760원  | 20210110  | 9791196965662

Explaining Artificial Intelligence with Python 알고리즘의 설명 가능성은 최초로 1940년대에 복잡한 기계들로 시작되었으며, 그 첫 번째는 튜링머신(Turing machine)이었다. 앨런 튜링(Alan Turing)은 자신의 기계의 지능이 암호화 문제를 어떻게 풀었는지 설명하는데 어려움을 겪었다. 기계가 계산을 하고 결정을 내릴 수 있게 된 이후로, 설명가능성은 사용자 인터페이스, 차트, 비즈니스 인텔리전스(business intelligence) 및 기타 도구들을 통해 모든 구현 과정의 일부분으로서 구현되어 왔다. 그러나 규칙 기반 전문가 시스템, 머신러닝 알고리즘 및 딥러닝과 같은 인공지능(AI)의 기하 급수적인 발전으로, 역사상 가장 복잡한 알고리즘이 등장하면서, AI를 설명하는 것에 대한 어려움은 AI의 발전과 함께 더 커져가고 있다. AI가 모든 분야로 확장됨에 따라, 결과가 부정확했을 때, 그 이유에 대한 설명을 제공하는 것이 중요해졌다. 또한 정확한 결과를 얻었을 때도, 사용자가 머신러닝 알고리즘에 대해 신뢰하도록 설명하는 것이 필요하다. 경우에 따라 AI는 명확하고 빠른 설명이 필요한, 생사를 가르는 상황에 직면할 수 있다. 예를 들어 이번 단원에서는 자신도 모르는 사이에 웨스트 나일 바이러스(West Nile virus)에 감염된 환자에 대한 조기 진단이 필요한 사례를 알아보게 될 것이다. 설명가능한 AI(explainable artificial intelligence) 또는 인공지능 설명가능성(artificial intelligence explainability)이라는 용어는 설명하는 과정을 말하는 것이다. 설명가능한 AI를 XAI라고 하기도 한다. 이번 단원의 목표는 XAI의 핵심이 되는 특징에 대해 이해하고 이해한 것을 파이썬으로 적용해 보는 것이다. 먼저 설명가능한 AI(XAI)와 설명을 구현할 때 직면하게 될 문제들에 대해 정의할 것이다. 각각의 요구에 맞게 서로 다른 AI 설명이 필요하다. 예를 들어 AI 전문가는 최종 사용자와는 다른 관점의 설명을 기대할 것이다. 다음으로 미국 일리노이 주에 있는 시카고에서 발생한 웨스트 나일 바이러스(West Nile virus) 전파에 대해, AI와 XAI가 중요한 의료 진단 도구를 구성하는 생사와 관련된 연구를 살펴볼 것이다. 이번 단원에서 XAI의 목적은 개발자에게 AI를 설명하는 것이 아니라, 일반 실무자들에게 ML이 결정한 것을 신뢰할 수 있도록 ML 시스템의 예측에 대해 설명하는 것이다.

IRS Global 편집부  | 아이알에스글로벌

17,000원  | 20220518  | 9791190870368

IRS글로벌은 다양한 사업 분야에 활용될 맞춤형 인공지능과 설명 가능한 인공지능(XAI)의 최신 기술 트렌드 및 향후 전망에 대해 면밀히 조사, 분석하였다. 모쪼록 본 보고서가 맞춤형 인공지능과 설명 가능한 인공지능(XAI) 관련 사업을 추진하는 관계자뿐만 아니라, 관심을 가지고 계신 모든 분들의 업무에 미력하나마 도움이 되길 바란다.

하연 편집부  | 하연

342,000원  | 20210112  | 9791185497259

▶ 이 책은 설명가능한 인공지능(XAI) 기술동향과 데이터 산업의 시장 전망에 대해 다룬 도서입니다.

Denis Rothman  | Packt Publishing

48,510원  | 20200730  | 9781800208131

Resolve the black box models in your AI applications to make them fair, trustworthy, and secure. Familiarize yourself with the basic principles and tools to deploy Explainable AI (XAI) into your apps and reporting interfaces. Key Features Learn explainable AI tools and techniques to process trustworthy AI results Understand how to detect, handle, and avoid common issues with AI ethics and bias Integrate fair AI into popular apps and reporting tools to deliver business value using Python and associated tools Book Description Effectively translating AI insights to business stakeholders requires careful planning, design, and visualization choices. Describing the problem, the model, and the relationships among variables and their findings are often subtle, surprising, and technically complex. Hands-On Explainable AI (XAI) with Python will see you work with specific hands-on machine learning Python projects that are strategically arranged to enhance your grasp on AI results analysis. You will be building models, interpreting results with visualizations, and integrating XAI reporting tools and different applications. You will build XAI solutions in Python, TensorFlow 2, Google Cloud's XAI platform, Google Colaboratory, and other frameworks to open up the black box of machine learning models. The book will introduce you to several open-source XAI tools for Python that can be used throughout the machine learning project life cycle. You will learn how to explore machine learning model results, review key influencing variables and variable relationships, detect and handle bias and ethics issues, and integrate predictions using Python along with supporting the visualization of machine learning models into user explainable interfaces. By the end of this AI book, you will possess an in-depth understanding of the core concepts of XAI. What you will learn Plan for XAI through the different stages of the machine learning life cycle Estimate the strengths and weaknesses of popular open-source XAI applications Examine how to detect and handle bias issues in machine learning data Review ethics considerations and tools to address common problems in machine learning data Share XAI design and visualization best practices Integrate explainable AI results using Python models Use XAI toolkits for Python in machine learning life cycles to solve business problems Who this book is for This book is not an introduction to Python programming or machine learning concepts. You must have some foundational knowledge and/or experience with machine learning libraries such as scikit-learn to make the most out of this book. Some of the potential readers of this book include: Professionals who already use Python for as data science, machine learning, research, and analysis Data analysts and data scientists who want an introduction into explainable AI tools and techniques AI Project managers who must face the contractual and legal obligations of AI Explainability for the acceptance phase of their applications

Simon, Cher  | Packt Publishing

26,000원  | 20230131  | 9781804617755

Create interpretable AI models for transparent and explainable anomaly detection with this hands-on guide Purchase of the print or Kindle book includes a free PDF eBook Key Features - Build auditable XAI models for replicability and regulatory compliance - Derive critical insights from transparent anomaly detection models - Strike the right balance between model accuracy and interpretability Book Description Despite promising advances, the opaque nature of deep learning models makes

Juarez, Jose M., Sepulveda, Marcos, Larranaga, Pedro, Fernandez-Llatas, Carlos, Concha Bielza  | Springer

97,500원  | 20240328  | 9783031543029

 | Springer Nature B.V.

69,980원  | 20230317  | 9783031279621

This book provides a comprehensive overview of the latest developments in Explainable AI (XAI) and its applications in manufacturing. It covers the various methods, tools, and technologies that are being used to make AI more understandable and communicable for factory workers. With the increasing use of AI in manufacturing, there is a growing need to address the limitations of advanced AI methods that are difficult to understand or explain to those without a background in AI.

Slawomir Nowaczyk, Przemyslaw Biecek, Schmid, Ute, Bobek, Szymon, Lavrac, Nada  | Springer International Publishing

180,000원  | 20240125  | 9783031504846

 | Not Avail

314,980원  | 20220516  | 9789811914751

The book discusses Explainable (XAI) and Responsive Artificial Intelligence (RAI) for biomedical and healthcare applications. The book explains both positive as well as negative findings obtained by explainable AI techniques.