AI-SEEYOU

LCE: กรอบการทำงานเพื่อการอธิบายความหมายของ DNNs สำหรับภาพอัลตราซาวด์โดยใช้การค้นหาแนวคิด LCE: กรอบการทำงานเพื่อการอธิบายความหมายของ DNNs สำหรับภาพอัลตราซาวด์โดยใช้การค้นหาแนวคิด ในยุคที่ปัญญาประดิษฐ์ (AI) และการเรียนรู้เชิงลึก (Deep Learning) เข้ามามีบทบาทสำคัญในวงการแพทย์ การทำความเข้าใจและอธิบายการทำงานของโมเดลเหล่านี้กลายเป็นเรื่องที่ท้าทาย โดยเฉพาะในงานที่เกี่ยวข้องกับภาพอัลตราซาวด์ ซึ่งเป็นข้อมูลที่มีความซับซ้อนและละเอียดอ่อน กรอบการทำงานที่เรียกว่า LCE (Local Concept Explanation) ได้ถูกพัฒนาขึ้นเพื่อช่วยให้ผู้ใช้งานสามารถเข้าใจและอธิบายการตัดสินใจของ Deep Neural Networks (DNNs) ได้อย่างมีประสิทธิภาพ LCE คืออะไร? LCE เป็นกรอบการทำงานที่มุ่งเน้นการค้นหาและอธิบายแนวคิด (Concepts) ที่สำคัญในข้อมูลภาพอัลตราซาวด์ โดยใช้เทคนิคการเรียนรู้เชิงลึกเพื่อระบุส่วนของภาพที่มีความหมายและเกี่ยวข้องกับการตัดสินใจของโมเดล ตัวอย่างเช่น ในภาพอัลตราซาวด์ของหัวใจ LCE อาจช่วยระบุว่าส่วนใดของภาพที่โมเดลใช้ในการวินิจฉัยโรคหัวใจวาย ความสำคัญของ LCE ในทางการแพ...

XEQ Scale: มาตรวัดประสบการณ์ XAI ที่ยึดโยงทฤษฎีจิตวิทยา XEQ Scale: มาตรวัดประสบการณ์ XAI ที่ยึดโยงทฤษฎีจิตวิทยา ในยุคที่เทคโนโลยีปัญญาประดิษฐ์ (AI) กำลังเข้ามามีบทบาทสำคัญในชีวิตประจำวันมากขึ้น ความสามารถในการเข้าใจและประเมินประสบการณ์ของผู้ใช้งานกับระบบ AI จึงกลายเป็นสิ่งจำเป็นอย่างยิ่ง โดยเฉพาะอย่างยิ่งกับระบบ AI ประเภท Explainable AI (XAI) ที่เน้นการให้คำอธิบายที่เข้าใจง่ายสำหรับมนุษย์ เพื่อเพิ่มความโปร่งใสและความน่าเชื่อถือ XEQ Scale (Experience Quality Scale) คือเครื่องมือที่พัฒนาขึ้นเพื่อวัดผลประสบการณ์ของผู้ใช้กับระบบ XAI โดยเฉพาะ ซึ่งแตกต่างจากแบบสอบถามทั่วไป XEQ Scale ถูกสร้างขึ้นบนรากฐานของทฤษฎีทางจิตวิทยา ทำให้สามารถวัดผลได้อย่างลึกซึ้ง ครอบคลุมมิติต่างๆ ของประสบการณ์ผู้ใช้ อีกทั้งยังมีความแม่นยำและน่าเชื่อถือ องค์ประกอบของ XEQ Scale XEQ Scale ประกอบด้วย 4 มิติหลัก ซึ่งแต่ละมิติล้วนมีพื้นฐานมาจากทฤษฎีทางจิตวิทยา ดังนี้ ความเข้าใจ (Comprehensibility): วัดความสามารถของผู้ใช้ในการเข้าใจคำอธิบายที่ระบบ XAI นำเสนอ โดยอ้างอิงจากทฤษฎี Cognit...

CON-FOLD -- Explainable Machine Learning ที่มาพร้อมความมั่นใจ CON-FOLD -- Explainable Machine Learning ที่มาพร้อมความมั่นใจ ในยุคที่การเรียนรู้ของเครื่องจักร (Machine Learning) เข้ามามีบทบาทสำคัญในหลากหลายวงการ ตั้งแต่การแพทย์ การเงิน ไปจนถึงการตลาด หนึ่งในความท้าทายที่สำคัญคือการทำความเข้าใจกระบวนการตัดสินใจของแบบจำลอง Machine Learning ที่ซับซ้อน บ่อยครั้งที่เราไม่สามารถอธิบายได้ว่าแบบจำลองเหล่านี้ตัดสินใจไปบนพื้นฐานใด ทำให้เกิดความกังวลเกี่ยวกับความน่าเชื่อถือและความปลอดภัยในการใช้งานจริง เพื่อแก้ปัญหานี้ แนวคิดของ Explainable Machine Learning หรือ XAI จึงเกิดขึ้น โดยมีเป้าหมายเพื่อสร้างแบบจำลอง Machine Learning ที่มีความโปร่งใส สามารถอธิบายได้ และสามารถตรวจสอบย้อนกลับได้ หนึ่งในงานวิจัยที่น่าสนใจในสาขานี้คือ CON-FOLD (Confidence-aware Counterfactual Explanations for Tabular data with Contrastive Learning and Density Estimation) ซึ่งเป็นวิธีการสร้างคำอธิบายที่น่าเชื่อถือและเข้าใจง่ายสำหรับแบบจำลอง Machine Learning ที่ทำงานกับข้อมูลแบบตาราง (Tabula...