如今预测模型的准确性和可解释性之间的权衡已被打破也许从未真正存在过

现在存在可用于基于异构数据和机器学习算法构建准确而复杂的建模系统，并使人们能够理解和信任这些复杂系统的工具，简而言之您现在可以拥有自己的准确性和可解释性蛋糕也可以吃.

为了帮助从业人员充分利用机器学习的调试、可解释性、公平性和可解释性技术方面的突破性突破

定义了关键术语，介绍了该技术的人为和商业动机，并从应用的角度讨论了预测建模和机器学习，重点关注了业务采用，内部模型文档，治理，验证要求和外部法规要求方面的常见挑战。 。我们还将讨论用于调试，可解释性，公平性和可解释性技术的应用分类法，并概述使用这些方法的大量可用软件工具。解决了概述技术的一些一般限制和测试方法，给出了一组开放源代码示例。

通常机器学习可解释性技术的广泛接受将是在商业应用和我们的日常生活中越来越多地采用机器学习和人工智能的重要因素之一

使您相信，可解释的机器学习在技术上是可行的。现在，让我们将这些方法付诸实践，让过去的黑箱机器学习不再关注道德和技术问题，再一次，如果您想学习如何在机器学习的调试，可解释性，公平性和可解释性技术方面获得的突破性突破。

1、定义和例子

2、机器学习的社会和商业动机

3、应用从业者的机器学习可解释性分类法

4、常见的可解释性技术

5、局限性和注意事项

6、测试可解释性和公平性

7、行动中的机器学习可解释性

人工智能对话空间中的混乱

AI对话空间在进入2020年之前引起了巨大轰动，并努力发布新的聊天机器人产品以提供更集成和无缝的客户体验，在客户服务中聊天机器人历来未能吸收和应用客户的直接见解和需求，需要一种解决方案，该解决方案基于预期的需求实时创建高级聊天对话，同时还不断分析交互以教育对客户意图识别的改进。