ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АНАЛІЗУ ТА СИНТЕЗУ ПОЯСНЕННИХ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ НА ОСНОВІ ВЕРБАЛЬНИХ МЕТОДІВ
Ключові слова:
поясненні моделі штучного інтелекту, вербальні методи прийняття рішень
Анотація
Предметом дослідження є аналіз та синтез поясненних моделей штучного інтелекту. Мета роботи - розробка інформаційної технології аналізу та синтезу поясненних моделей штучного інтелекту на основі вербальних методів. У статті вирішуються такі завдання: аналіз математичних формул та методів, що використовуються для пояснення рішень, що приймають моделі штучного інтелекту, аналіз методів, класів, фреймворків та функцій програмних бібліотек, а також їх використання для пояснення рішень, що приймають моделі штучного інтелекту, синтез поясненних вербальних моделей штучного інтелекту, розробка проєкту системи синтезу поясненних вербальних моделей штучного інтелекту. Використовуються такі методи: системний аналіз, вербальні методи прийняття рішень (формування системи понять визначеної предметної галузі, формування порядкової класифікації станів об’єкта/процесу, впорядкування станів об’єкта/процесу з певного класу, визначення найкращого стану об’єкта/процесу), методи моделювання та проєктування інформаційних систем (діаграми варіантів використання, діаграми діяльності). Здобуто такі результати: проведено аналіз математичних формул та методів, що використовуються для пояснення рішень, що приймають моделі штучного інтелекту. Запропоновано підхід до синтезу поясненних вербальних моделей штучного інтелекту. Проведено аналіз методів, класів, фреймворків та функцій програмних бібліотек, а також їх використання для пояснення рішень, що приймають моделі штучного інтелекту. Розроблено проєкт системи синтезу поясненних вербальних моделей штучного інтелекту. Висновки: методи вербального аналізу виявляються ефективними для синтезу поясненних моделей штучного інтелекту, що включає кілька етапів: визначення системи понять, створення критеріальних описів станів, їх класифікація, впорядкування та обрання найкращого стану. Вони підкреслюють важливість використання лінгвістичної інформації разом з числовими даними для комплексного аналізу складних проблем. Інтегруючи елементи вербального аналізу в пояснені моделі штучного інтелекту, можна покращити взаємодію з користувачем, його розуміння і сприйняття систем штучного інтелекту.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Mishra, P. Model Explainability and Interpretability. Practical Explainable AI Using Python. Apress, Berkeley, CA. 2022. P. 1–22. DOI: https://doi.org/10.1007/978-1-4842-7158-2_1
2. Montesinos López, O. A., Montesinos López, A., Crossa, J. Linear Mixed Models. Multivariate Statistical Machine Learning Methods for Genomic Prediction. Springer, Cham. 2022. P. 141–170. DOI: https://doi.org/10.1007/978-3-030-89010-0_5
3. Starbuck, C. Linear Regression. The Fundamentals of People Analytics. Springer, Cham. 2023. P. 181–206. DOI: https://doi.org/10.1007/978-3-031-28674-2_10
4. Elements of Generalized Linear Mixed Models / Salinas Ruíz, J. et al. Generalized Linear Mixed Models with Applications in Agriculture and Biology. Springer, Cham. 2023. P. 1–42. DOI: https://doi.org/10.1007/978-3-031-32800-8_1
5. Linear Regression / James, G. et al. An Introduction to Statistical Learning. Springer Texts in Statistics. Springer, Cham. 2023. P. 69–134. DOI: https://doi.org/10.1007/978-3-031-38747-0_3
6. Wüthrich, M. V., Merz, M. Generalized Linear Models. Statistical Foundations of Actuarial Learning and its Applications. Springer Actuarial. Springer, Cham. 2023. P.111–205. DOI: https://doi.org/10.1007/978-3-031-12409-9_5
7. Kleinbaum, D. G., Klein, M. Important Special Cases of the Logistic Model. Logistic Regression. Statistics for Biology and Health. Springer, New York, NY. 2010. P. 41–71. DOI: https://doi.org/10.1007/978-1-4419-1742-3_2
8. Logistic Regression / Weisburd, D. et al. Advanced Statistics in Criminology and Criminal Justice. Springer, Cham. 2022. P. 127–185. DOI: https://doi.org/10.1007/978-3-030-67738-1_4
9. Logistic Regression / Backhaus, K. et al. Multivariate Analysis. Springer Gabler, Wiesbaden. 2021. P. 267–354. DOI: https://doi.org/10.1007/978-3-658-32589-3_5
10. Grąbczewski, K. Techniques of Decision Tree Induction. Meta-Learning in Decision Tree Induction. Studies in Computational Intelligence. 2014. Vol. 498. P. 11–117. DOI: https://doi.org/10.1007/978-3-319-00960-5_2
11. Barros, R.C., de Carvalho, A.C.P.L.F., Freitas, A.A. Decision-Tree Induction. Automatic Design of Decision-Tree Induction Algorithms. SpringerBriefs in Computer Science. Springer, Cham. 2015. P. 7–45. DOI: https://doi.org/10.1007/978-3-319-14231-9_2
12. Kozak, J. Ant Colony Decision Tree Approach. Decision Tree and Ensemble Learning Based on Ant Colony Optimization. Studies in Computational Intelligence. 2019. Vol. 781. P. 45–80. DOI: https://doi.org/10.1007/978-3-319-93752-6_3
13. Construction of Optimal Decision Trees and Deriving Decision Rules from Them / Azad, M. et al. Decision Trees with Hypotheses. Synthesis Lectures on Intelligent Technologies. Springer, Cham. 2022. P. 41–53. DOI: https://doi.org/10.1007/978-3-031-08585-7_4
14. Seni, G., Elder, J. F. Importance Sampling and the Classic Ensemble Methods. Ensemble Methods in Data Mining. Synthesis 031-01899-2_4
15. Seni, G., Elder, J. F. Predictive Learning and Decision Trees. Ensemble Methods in Data Mining. Synthesis Lectures on Data Mining and Knowledge Discovery. Springer, Cham. 2010. P. 14–27. DOI: https://doi.org/10.1007/978-3-031-01899-2_2
16. Cutler, A., Cutler, D. R., Stevens, J. R. Random Forests. Zhang, C., Ma, Y. (eds) Ensemble Machine Learning. Springer, New York, NY. 2012. P. 157–175. DOI: https://doi.org/10.1007/978-1-4419-9326-7_5
17. Ferreira, A. J., Figueiredo, M. A. T. Boosting Algorithms: A Review of Methods, Theory, and Applications. Zhang, C., Ma, Y. (eds) Ensemble Machine Learning. Springer, New York, NY. 2012. P. 35–85. DOI: https://doi.org/10.1007/978-1-4419-9326-7_2
18. Štulajter, F. Random Processes and Time Series. Predictions in Time Series Using Regression Models. Springer, New York, NY. 2002. P. 51–71. DOI: https://doi.org/10.1007/978-1-4757-3629-8_2
19. Das, M., Ghosh, S. K. Standard Bayesian Network Models for Spatial Time Series Prediction. Enhanced Bayesian Network Models for Spatial Time Series Prediction. Studies in Computational Intelligence. 2020. Vol. 858. P. 11–22. DOI: https://doi.org/10.1007/978-3-030-27749-9_2
20. Estimation Under Normal Mixture Models for Financial Time Series Data /Sun, L H. Et al. Copula-Based Markov Models for Time Series. SpringerBriefs in Statistics(). Springer, Singapore. 2020. P. 55–72. DOI: https://doi.org/10.1007/978-981-15-4998-4_4
21. Brockwell, P. J., Davis, R. A. ARMA Models. Introduction to Time Series and Forecasting. Springer Texts in Statistics. Springer, Cham. 2016. P. 73–96. DOI: https://doi.org/10.1007/978-3-319-29854-2_3
22. Interval Evaluation of Stationary State Probabilities for Markov Set-Chain Models / O. Akhiiezer et al. 10th International Conference on Advanced Computer Information Technologies (ACIT). 2020. P. 82–85. DOI: https://doi.org/10.1109/ACIT49673.2020.9208932
23. Petrov, S. Latent Variable Grammars for Natural Language Parsing. Coarse-to-Fine Natural Language Processing. Theory and Applications of Natural Language Processing. Springer, Berlin, Heidelberg. 2011. P. 7–46. DOI: https://doi.org/10.1007/978-3-642-22743-1_2
24. Goyal, P., Pandey, S., Jain, K. Introduction to Natural Language Processing and Deep Learning. Deep Learning for Natural Language Processing. Apress, Berkeley, CA. 2018. P. 1–74. DOI: https://doi.org/10.1007/978-1-4842-3685-7_1
25. Kulkarni, A., Shivananda, A. Advanced Natural Language Processing. Natural Language Processing Recipes. Apress, Berkeley, CA. 2019. P. 97–128. DOI: https://doi.org/10.1007/978-1-4842-4267-4_4
26. Harris, I. G., Harris, C. B. Generation of Verification Artifacts from Natural Language Descriptions. Soeken, M., Drechsler, R. (eds) Natural Language Processing for Electronic Design Automation. Springer, Cham. 2020. P. 37–70. DOI: https://doi.org/10.1007/978-3-030-52273-5_3
27. Catta, D., Moot, R., Retoré, C. Dialogical Argumentation and Textual Entailment. Loukanova, R. (eds) Natural Language https://doi.org/10.1007/978-3-030-63787-3_7
28. Rodrigues, M., Teixeira, A. Extracting Relevant Information Using a Given Semantic. Advanced Applications of Natural Language Processing for Performing Information Extraction. SpringerBriefs in Electrical and Computer Engineering(). Springer, Cham. 2015. P. 37–50. DOI: https://doi.org/10.1007/978-3-319-15563-0_4
29. Гринченко, М., Роговий, М. Модель ідентифікації задач спринту проєкту на основі їх опису. Сучасний стан наукових досліджень та технологій в промисловості, 2023. 4(26), Р. 33–44. https://doi.org/10.30837/ITSSI.2023.26.033
30. Gianfagna, L., Di Cecco, A. Explainable AI: Needs, Opportunities, and Challenges. Explainable AI with Python. Springer, Cham. 2021. P. 27–46. DOI: https://doi.org/10.1007/978-3-030-68640-6_2
31. Mishra, P. Explainability for Ensemble Supervised Models. Explainable AI Recipes. Apress, Berkeley, CA. 2023. P. 119–206. DOI: https://doi.org/10.1007/978-1-4842-9029-3_4
32. Handling Missing Values in Local Post-hoc Explainability / Cinquini, M. et al. Longo, L. (eds) Explainable Artificial Intelligence. xAI 2023. Communications in Computer and Information Science. 2023. Vol. 1902. P. 256–278. DOI: https://doi.org/10.1007/978-3-031-44067-0_14
33. Explainable AI Methods - A Brief Overview / Holzinger, A. et al. Holzinger, A., Goebel, R., Fong, R., Moon, T., Müller, KR., Samek, W. (eds) xxAI - Beyond Explainable AI. xxAI 2020. Lecture Notes in Computer Science(). 2022. Vol. 13200. P. 13–38. DOI: https://doi.org/10.1007/978-3-031-04083-2_2
34. Kamath, U., Liu, J. Post-Hoc Interpretability and Explanations. Explainable Artificial Intelligence: An Introduction to Interpretable Machine Learning. Springer, Cham. 2021. P. 167–216. DOI: https://doi.org/10.1007/978-3-030-83356-5_5
35. Kumar, D., Mehta, M. A. An Overview of Explainable AI Methods, Forms and Frameworks. Mehta, M., Palade , V., Chatterjee, I. (eds) Explainable AI: Foundations, Methodologies and Applications. Intelligent Systems Reference Library. 2023. Vol. 232. 2023. P. 43–59. DOI: https://doi.org/10.1007/978-3-031-12807-3_3
36. Vuppalapati, C. ML Models: Food Security and Climate Change. Artificial Intelligence and Heuristics for Enhanced Food https://doi.org/10.1007/978-3-031-08743-1_6
37. Sonar Signal Prediction Using Explainable AI for IoT Environment / Yadav, T. et al. Bansal, H.O., Ajmera, P.K., Joshi, S., Bansal, R.C., Shekhar, C. (eds) Next Generation Systems and Networks. BITS-EEE-CON 2022. Lecture Notes in Networks and Systems. 2023. Vol. 641. P. 209–222. DOI: https://doi.org/10.1007/978-981-99-0483-9_19
38. Brad, S., Ștetco, E. An Interactive Artificial Intelligence System for Inventive Problem-Solving. Nowak, R., Chrząszcz, J., Brad, S. (eds) Systematic Innovation Partnerships with Artificial Intelligence and Information Technology. TFC 2022. IFIP Advances in Information and Communication Technology. 2022. Vol. 655. P. 165–177. DOI: https://doi.org/10.1007/978-3-031-17288-5_15
39. Yan, W. Q. Convolutional Neural Networks and Recurrent Neural Networks. Computational Methods for Deep Learning. Texts in Computer Science. Springer, Singapore. 2023. P. 69–124. DOI: https://doi.org/10.1007/978-981-99-4823-9_3
40. Paaß, G., Giesselbach, S. Foundation Models for Text Generation. Foundation Models for Natural Language Processing. Artificial Intelligence: Foundations, Theory, and Algorithms. Springer, Cham. 2023. P. 227–311. DOI: https://doi.org/10.1007/978-3-031-23190-2_6
41. Vuppalapati, C. The Role of the Government and the AI Readiness. Machine Learning and Artificial Intelligence for Agricultural Economics. International Series in Operations Research & Management Science. 2021. Vol. 314. P. 479–548. DOI: https://doi.org/10.1007/978-3-030-77485-1_7
42. Ye, A., Wang, Z. Data Preparation and Engineering. Modern Deep Learning for Tabular Data. Apress, Berkeley, CA. 2023. P. 95–179. DOI: https://doi.org/10.1007/978-1-4842-8692-0_2
43. Фастовський Е. Г, Єльчанінов Д. Б. Інформаційна технологія аналізу та синтезу поясненних моделей штучного інтелекту. Теоретичні та практичні дослідження молодих вчених [Електронний ресурс] : зб. тез доп. 17-ї Міжнар. наук.-практ. конф. магістрантів та аспірантів, 28-30 листопада 2023 р. C. 85. URL: https://repository.kpi.kharkov.ua/handle/KhPI-Press/71485
44. Conversational AI: What Is It, How Does It Work, and Why Does It Matter?. URL: https://www.247.ai/insights/conversationalai-what-it-and-how-does-it-work (дата звернення: 29.02.2024)
45. Moshkovich H, Mechitov A, Olson D. Verbal Decision Analysis. Multiple Criteria Decision Analysis: State of the Art Surveys. International Series in Operations Research & Management Science. 2005. Vol. 78. P. 609–633. DOI: https://doi.org/10.1007/0-387-23081-5_15
46. Butow P, Hoque E. Using artificial intelligence to analyse and teach communication in healthcare. The Breast. 2020. Vol. 50; P. 49–55. DOI: https://doi.org/10.1016/j.breast.2020.01.008
47. Фастовський Е. Г. Синтез поясненних вербальних моделей штучного інтелекту. Інформаційні технології: теорія і практика. I (VII) міжнародна науково-практична конференція здобувачів вищої освіти і молодих учених "Інформаційні технології: теорія і практика". Тези доповідей (Дніпро 20 – 22 березня 2024). 2024. С. 225–227, URL: https://ir.nmu.org.ua/handle/123456789/166564
48. AKM Bahalul Haque, A. K. M. Najmul Islam, Patrick Mikalef. Explainable Artificial Intelligence (XAI) from a user Change. 2023. Vol. 186, Part A. Article 122120. DOI: https://doi.org/10.1016/j.techfore.2022.122120
49. How to explain AI systems to end users: a systematic literature review and research agenda / Laato S. et al. Internet Research. 2022. Vol. 32, No 7. P. 1–31.
50. Aly A., Tapus A. A model for synthesizing a combined verbal and nonverbal behavior based on personality traits in humanrobot interaction. 8th ACM/IEEE International Conference on Human-Robot Interaction (HRI). 2013. P. 325–332. DOI: https://doi.org/10.1109/HRI.2013.6483606
51. A Protocol for the Diagnosis of Autism Spectrum Disorder Structured in Machine Learning and Verbal Decision Analysis / Evandro Andrade et al. Computational and Mathematical Methods in Medicine. 2021. Vol. 2021. Article ID 1628959. DOI: https://doi.org/10.1155/2021/1628959
52. Фастовський Е. Г. Проєкт системи синтезу поясненних вербальних моделей штучного інтелекту. 28-й Міжнародний молодіжний форум "Радіоелектроніка та молодь у ХХІ столітті". Зб. матеріалів форуму (Харків 16 – 18 квітня 2024). 2024. Т. 6. С. 74–76. DOI: https://doi.org/10.30837/IYF.IIS.2024.074
2. Montesinos López, O. A., Montesinos López, A., Crossa, J. Linear Mixed Models. Multivariate Statistical Machine Learning Methods for Genomic Prediction. Springer, Cham. 2022. P. 141–170. DOI: https://doi.org/10.1007/978-3-030-89010-0_5
3. Starbuck, C. Linear Regression. The Fundamentals of People Analytics. Springer, Cham. 2023. P. 181–206. DOI: https://doi.org/10.1007/978-3-031-28674-2_10
4. Elements of Generalized Linear Mixed Models / Salinas Ruíz, J. et al. Generalized Linear Mixed Models with Applications in Agriculture and Biology. Springer, Cham. 2023. P. 1–42. DOI: https://doi.org/10.1007/978-3-031-32800-8_1
5. Linear Regression / James, G. et al. An Introduction to Statistical Learning. Springer Texts in Statistics. Springer, Cham. 2023. P. 69–134. DOI: https://doi.org/10.1007/978-3-031-38747-0_3
6. Wüthrich, M. V., Merz, M. Generalized Linear Models. Statistical Foundations of Actuarial Learning and its Applications. Springer Actuarial. Springer, Cham. 2023. P.111–205. DOI: https://doi.org/10.1007/978-3-031-12409-9_5
7. Kleinbaum, D. G., Klein, M. Important Special Cases of the Logistic Model. Logistic Regression. Statistics for Biology and Health. Springer, New York, NY. 2010. P. 41–71. DOI: https://doi.org/10.1007/978-1-4419-1742-3_2
8. Logistic Regression / Weisburd, D. et al. Advanced Statistics in Criminology and Criminal Justice. Springer, Cham. 2022. P. 127–185. DOI: https://doi.org/10.1007/978-3-030-67738-1_4
9. Logistic Regression / Backhaus, K. et al. Multivariate Analysis. Springer Gabler, Wiesbaden. 2021. P. 267–354. DOI: https://doi.org/10.1007/978-3-658-32589-3_5
10. Grąbczewski, K. Techniques of Decision Tree Induction. Meta-Learning in Decision Tree Induction. Studies in Computational Intelligence. 2014. Vol. 498. P. 11–117. DOI: https://doi.org/10.1007/978-3-319-00960-5_2
11. Barros, R.C., de Carvalho, A.C.P.L.F., Freitas, A.A. Decision-Tree Induction. Automatic Design of Decision-Tree Induction Algorithms. SpringerBriefs in Computer Science. Springer, Cham. 2015. P. 7–45. DOI: https://doi.org/10.1007/978-3-319-14231-9_2
12. Kozak, J. Ant Colony Decision Tree Approach. Decision Tree and Ensemble Learning Based on Ant Colony Optimization. Studies in Computational Intelligence. 2019. Vol. 781. P. 45–80. DOI: https://doi.org/10.1007/978-3-319-93752-6_3
13. Construction of Optimal Decision Trees and Deriving Decision Rules from Them / Azad, M. et al. Decision Trees with Hypotheses. Synthesis Lectures on Intelligent Technologies. Springer, Cham. 2022. P. 41–53. DOI: https://doi.org/10.1007/978-3-031-08585-7_4
14. Seni, G., Elder, J. F. Importance Sampling and the Classic Ensemble Methods. Ensemble Methods in Data Mining. Synthesis 031-01899-2_4
15. Seni, G., Elder, J. F. Predictive Learning and Decision Trees. Ensemble Methods in Data Mining. Synthesis Lectures on Data Mining and Knowledge Discovery. Springer, Cham. 2010. P. 14–27. DOI: https://doi.org/10.1007/978-3-031-01899-2_2
16. Cutler, A., Cutler, D. R., Stevens, J. R. Random Forests. Zhang, C., Ma, Y. (eds) Ensemble Machine Learning. Springer, New York, NY. 2012. P. 157–175. DOI: https://doi.org/10.1007/978-1-4419-9326-7_5
17. Ferreira, A. J., Figueiredo, M. A. T. Boosting Algorithms: A Review of Methods, Theory, and Applications. Zhang, C., Ma, Y. (eds) Ensemble Machine Learning. Springer, New York, NY. 2012. P. 35–85. DOI: https://doi.org/10.1007/978-1-4419-9326-7_2
18. Štulajter, F. Random Processes and Time Series. Predictions in Time Series Using Regression Models. Springer, New York, NY. 2002. P. 51–71. DOI: https://doi.org/10.1007/978-1-4757-3629-8_2
19. Das, M., Ghosh, S. K. Standard Bayesian Network Models for Spatial Time Series Prediction. Enhanced Bayesian Network Models for Spatial Time Series Prediction. Studies in Computational Intelligence. 2020. Vol. 858. P. 11–22. DOI: https://doi.org/10.1007/978-3-030-27749-9_2
20. Estimation Under Normal Mixture Models for Financial Time Series Data /Sun, L H. Et al. Copula-Based Markov Models for Time Series. SpringerBriefs in Statistics(). Springer, Singapore. 2020. P. 55–72. DOI: https://doi.org/10.1007/978-981-15-4998-4_4
21. Brockwell, P. J., Davis, R. A. ARMA Models. Introduction to Time Series and Forecasting. Springer Texts in Statistics. Springer, Cham. 2016. P. 73–96. DOI: https://doi.org/10.1007/978-3-319-29854-2_3
22. Interval Evaluation of Stationary State Probabilities for Markov Set-Chain Models / O. Akhiiezer et al. 10th International Conference on Advanced Computer Information Technologies (ACIT). 2020. P. 82–85. DOI: https://doi.org/10.1109/ACIT49673.2020.9208932
23. Petrov, S. Latent Variable Grammars for Natural Language Parsing. Coarse-to-Fine Natural Language Processing. Theory and Applications of Natural Language Processing. Springer, Berlin, Heidelberg. 2011. P. 7–46. DOI: https://doi.org/10.1007/978-3-642-22743-1_2
24. Goyal, P., Pandey, S., Jain, K. Introduction to Natural Language Processing and Deep Learning. Deep Learning for Natural Language Processing. Apress, Berkeley, CA. 2018. P. 1–74. DOI: https://doi.org/10.1007/978-1-4842-3685-7_1
25. Kulkarni, A., Shivananda, A. Advanced Natural Language Processing. Natural Language Processing Recipes. Apress, Berkeley, CA. 2019. P. 97–128. DOI: https://doi.org/10.1007/978-1-4842-4267-4_4
26. Harris, I. G., Harris, C. B. Generation of Verification Artifacts from Natural Language Descriptions. Soeken, M., Drechsler, R. (eds) Natural Language Processing for Electronic Design Automation. Springer, Cham. 2020. P. 37–70. DOI: https://doi.org/10.1007/978-3-030-52273-5_3
27. Catta, D., Moot, R., Retoré, C. Dialogical Argumentation and Textual Entailment. Loukanova, R. (eds) Natural Language https://doi.org/10.1007/978-3-030-63787-3_7
28. Rodrigues, M., Teixeira, A. Extracting Relevant Information Using a Given Semantic. Advanced Applications of Natural Language Processing for Performing Information Extraction. SpringerBriefs in Electrical and Computer Engineering(). Springer, Cham. 2015. P. 37–50. DOI: https://doi.org/10.1007/978-3-319-15563-0_4
29. Гринченко, М., Роговий, М. Модель ідентифікації задач спринту проєкту на основі їх опису. Сучасний стан наукових досліджень та технологій в промисловості, 2023. 4(26), Р. 33–44. https://doi.org/10.30837/ITSSI.2023.26.033
30. Gianfagna, L., Di Cecco, A. Explainable AI: Needs, Opportunities, and Challenges. Explainable AI with Python. Springer, Cham. 2021. P. 27–46. DOI: https://doi.org/10.1007/978-3-030-68640-6_2
31. Mishra, P. Explainability for Ensemble Supervised Models. Explainable AI Recipes. Apress, Berkeley, CA. 2023. P. 119–206. DOI: https://doi.org/10.1007/978-1-4842-9029-3_4
32. Handling Missing Values in Local Post-hoc Explainability / Cinquini, M. et al. Longo, L. (eds) Explainable Artificial Intelligence. xAI 2023. Communications in Computer and Information Science. 2023. Vol. 1902. P. 256–278. DOI: https://doi.org/10.1007/978-3-031-44067-0_14
33. Explainable AI Methods - A Brief Overview / Holzinger, A. et al. Holzinger, A., Goebel, R., Fong, R., Moon, T., Müller, KR., Samek, W. (eds) xxAI - Beyond Explainable AI. xxAI 2020. Lecture Notes in Computer Science(). 2022. Vol. 13200. P. 13–38. DOI: https://doi.org/10.1007/978-3-031-04083-2_2
34. Kamath, U., Liu, J. Post-Hoc Interpretability and Explanations. Explainable Artificial Intelligence: An Introduction to Interpretable Machine Learning. Springer, Cham. 2021. P. 167–216. DOI: https://doi.org/10.1007/978-3-030-83356-5_5
35. Kumar, D., Mehta, M. A. An Overview of Explainable AI Methods, Forms and Frameworks. Mehta, M., Palade , V., Chatterjee, I. (eds) Explainable AI: Foundations, Methodologies and Applications. Intelligent Systems Reference Library. 2023. Vol. 232. 2023. P. 43–59. DOI: https://doi.org/10.1007/978-3-031-12807-3_3
36. Vuppalapati, C. ML Models: Food Security and Climate Change. Artificial Intelligence and Heuristics for Enhanced Food https://doi.org/10.1007/978-3-031-08743-1_6
37. Sonar Signal Prediction Using Explainable AI for IoT Environment / Yadav, T. et al. Bansal, H.O., Ajmera, P.K., Joshi, S., Bansal, R.C., Shekhar, C. (eds) Next Generation Systems and Networks. BITS-EEE-CON 2022. Lecture Notes in Networks and Systems. 2023. Vol. 641. P. 209–222. DOI: https://doi.org/10.1007/978-981-99-0483-9_19
38. Brad, S., Ștetco, E. An Interactive Artificial Intelligence System for Inventive Problem-Solving. Nowak, R., Chrząszcz, J., Brad, S. (eds) Systematic Innovation Partnerships with Artificial Intelligence and Information Technology. TFC 2022. IFIP Advances in Information and Communication Technology. 2022. Vol. 655. P. 165–177. DOI: https://doi.org/10.1007/978-3-031-17288-5_15
39. Yan, W. Q. Convolutional Neural Networks and Recurrent Neural Networks. Computational Methods for Deep Learning. Texts in Computer Science. Springer, Singapore. 2023. P. 69–124. DOI: https://doi.org/10.1007/978-981-99-4823-9_3
40. Paaß, G., Giesselbach, S. Foundation Models for Text Generation. Foundation Models for Natural Language Processing. Artificial Intelligence: Foundations, Theory, and Algorithms. Springer, Cham. 2023. P. 227–311. DOI: https://doi.org/10.1007/978-3-031-23190-2_6
41. Vuppalapati, C. The Role of the Government and the AI Readiness. Machine Learning and Artificial Intelligence for Agricultural Economics. International Series in Operations Research & Management Science. 2021. Vol. 314. P. 479–548. DOI: https://doi.org/10.1007/978-3-030-77485-1_7
42. Ye, A., Wang, Z. Data Preparation and Engineering. Modern Deep Learning for Tabular Data. Apress, Berkeley, CA. 2023. P. 95–179. DOI: https://doi.org/10.1007/978-1-4842-8692-0_2
43. Фастовський Е. Г, Єльчанінов Д. Б. Інформаційна технологія аналізу та синтезу поясненних моделей штучного інтелекту. Теоретичні та практичні дослідження молодих вчених [Електронний ресурс] : зб. тез доп. 17-ї Міжнар. наук.-практ. конф. магістрантів та аспірантів, 28-30 листопада 2023 р. C. 85. URL: https://repository.kpi.kharkov.ua/handle/KhPI-Press/71485
44. Conversational AI: What Is It, How Does It Work, and Why Does It Matter?. URL: https://www.247.ai/insights/conversationalai-what-it-and-how-does-it-work (дата звернення: 29.02.2024)
45. Moshkovich H, Mechitov A, Olson D. Verbal Decision Analysis. Multiple Criteria Decision Analysis: State of the Art Surveys. International Series in Operations Research & Management Science. 2005. Vol. 78. P. 609–633. DOI: https://doi.org/10.1007/0-387-23081-5_15
46. Butow P, Hoque E. Using artificial intelligence to analyse and teach communication in healthcare. The Breast. 2020. Vol. 50; P. 49–55. DOI: https://doi.org/10.1016/j.breast.2020.01.008
47. Фастовський Е. Г. Синтез поясненних вербальних моделей штучного інтелекту. Інформаційні технології: теорія і практика. I (VII) міжнародна науково-практична конференція здобувачів вищої освіти і молодих учених "Інформаційні технології: теорія і практика". Тези доповідей (Дніпро 20 – 22 березня 2024). 2024. С. 225–227, URL: https://ir.nmu.org.ua/handle/123456789/166564
48. AKM Bahalul Haque, A. K. M. Najmul Islam, Patrick Mikalef. Explainable Artificial Intelligence (XAI) from a user Change. 2023. Vol. 186, Part A. Article 122120. DOI: https://doi.org/10.1016/j.techfore.2022.122120
49. How to explain AI systems to end users: a systematic literature review and research agenda / Laato S. et al. Internet Research. 2022. Vol. 32, No 7. P. 1–31.
50. Aly A., Tapus A. A model for synthesizing a combined verbal and nonverbal behavior based on personality traits in humanrobot interaction. 8th ACM/IEEE International Conference on Human-Robot Interaction (HRI). 2013. P. 325–332. DOI: https://doi.org/10.1109/HRI.2013.6483606
51. A Protocol for the Diagnosis of Autism Spectrum Disorder Structured in Machine Learning and Verbal Decision Analysis / Evandro Andrade et al. Computational and Mathematical Methods in Medicine. 2021. Vol. 2021. Article ID 1628959. DOI: https://doi.org/10.1155/2021/1628959
52. Фастовський Е. Г. Проєкт системи синтезу поясненних вербальних моделей штучного інтелекту. 28-й Міжнародний молодіжний форум "Радіоелектроніка та молодь у ХХІ столітті". Зб. матеріалів форуму (Харків 16 – 18 квітня 2024). 2024. Т. 6. С. 74–76. DOI: https://doi.org/10.30837/IYF.IIS.2024.074
Опубліковано
2024-09-06
Як цитувати
Fastovskyi Eduard Інформаційна технологія аналізу та синтезу поясненних моделей штучного інтелекту на основі вербальних методів / Eduard Fastovskyi, Anton Rogovyi, Olena Akhiiezer, Andrii Frolov, Roman Artiukh // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 3 (77). – С. 158-165. – doi:https://doi.org/10.26906/SUNZ.2024.3.158.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
