出版社内容情報
『Interpretable AI：Building Explainable Machine Learning Systems』（Ajay Thampi／Manning）の日本語版。
AIモデルの透明性と解釈可能性、そして説明可能性の追求は、エラーやバイアスを最小限に抑え、予測結果の信頼性・公平性を高め「責任あるAI」を実現するために重要な分野です。
本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とPythonによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なAI」に至るための道を示しています。
【日本語版特別付録】
本書の第7章では、英語を対象とした、テキストからの特徴量の抽出を扱っています。
日本語版には、この処理を日本語に適用する方法を解説した『付録C 日本語版付録 日本語を扱う』を収録しています。
【Contents】
第1部 解釈可能性の基礎
第1章はじめに
第2章ホワイトボックスモデル
第2部 モデルの処理の解釈
第3章 モデルに依存しない方法：大域的な解釈可能性
第4章 モデルに依存しない方法：局所的な解釈可能性
第5章 顕著性マップ
第3部 モデルの表現の解釈
第6章 層とユニットを理解する
第7章 意味的な類似性を理解する
第4部 公平性とバイアス
第8章 公平性とバイアスの軽減
第9章 説明可能なAIへの道
Appendix
付録A セットアップを行う
付録B PyTorch
付録C 日本語版付録日本語を扱う
内容説明
ＡＩモデルの透明性と解釈可能性、そして説明可能性の追求は、エラーやバイアスを最小限に抑え、予測結果の信頼性・公平性を高め「責任あるＡＩ」を実現するために重要な分野です。本書では、線形回帰や決定木などのシンプルなホワイトボックスモデルから、深層ニューラルネットワークなどのようなブラックボックスモデルまで、その解釈手法とＰｙｔｈｏｎによる実装を解説。「どのように動作し、予測に至ったのか」に答え、モデルを「解釈可能」にするためのアプローチを網羅的に扱い、そして更に「なぜ、この予測をしたのか」に答え「説明可能なＡＩ」に至るための道を示しています。
目次
第１部 解釈可能性の基礎（はじめに；ホワイトボックスモデル）
第２部 モデルの処理の解釈（モデルに依存しない方法：大域的な解釈可能性；モデルに依存しない方法：局所的な解釈可能性；顕著性マップ）
第３部 モデルの表現の解釈（層とユニットを理解する；意味的な類似性を理解する）
第４部 公平性とバイアス（公平性とバイアスの軽減；説明可能なＡＩへの道）
Ａｐｐｅｎｄｉｘ 巻末付録（セットアップを行う；ＰｙＴｏｒｃｈ；日本語版付録 日本語を扱う）
著者等紹介
Ｔｈａｍｐｉ，Ａｊａｙ［ＴＨＡＭＰＩ，ＡＪＡＹ］ ［Ｔｈａｍｐｉ，Ａｊａｙ］
機械学習に強いバックグラウンドを持っており、博士号は信号処理と機械学習がテーマ。強化学習、凸最適化、５Ｇセルラーネットワークに適用される古典的な機械学習技術をテーマに、主要なカンファレンスやジャーナルで論文を発表している。現在は、大手テック企業で主に責任あるＡＩと公平性を専門に機械学習エンジニアとして活躍しており、マイクロソフトのリードデータサイエンティストとして、製造業、小売業、金融業など様々な業界の顧客に対して、複雑なＡＩソリューションをデプロイする仕事を担当した経験を持つ（本データはこの書籍が刊行された当時に掲載されていたものです）
※書籍に掲載されている著者及び編者、訳者、監修者、イラストレーターなどの紹介情報です。
