Forklarbarhed

Forklarbarhed beskriver, i hvilken grad en maskinlæringsmodel eller et algoritmisk systems beslutninger kan forstås og begrundes af mennesker. Den omfatter både global forklarbarhed, der beskriver generelle mønstre i modellen, og lokal forklarbarhed, der forklarer enkeltforudsigelser. Begreberne forklarbarhed og interpretabilitet bruges ofte i flæng, men fælles mål er at give handlingsbare og troværdige forklaringer til beslutningstagere og berørte parter.

Tilgange kan være ante-hoc (intrinsisk forklarbare modeller som beslutningstræer eller lineære modeller) eller post-hoc (forklaringer genereret efter træning for mere komplekse modeller). Model-agnostiske metoder virker uafhængigt af den anvendte model, mens model-specifikke metoder udnytter særlige modellers struktur. Eksempler inkluderer LIME og SHAP til lokale forklaringer, samt partielle afhængighedsplotter (PDP) og surrogate-modeller til globale forklaringer. Desuden anvendes counterfactual forklaringer og saliency-maps i billed- og tekstbaserede sammenhænge for at illustrere årsager til en given beslutning.

Anvendelse og evaluering: Forklarbarhed er særligt vigtig i sundhed, finans og retlige beslutninger, hvor beslutninger have betydelige konsekvenser. Kvaliteten af forklaringer måles ofte ud fra forståelighed, troværdighed og konsekvens (i hvor høj grad forklaringen afspejler modellens faktiske adfærd) samt stabilitet over tid og ved ændringer i data. Derudover vurderes nytte, risiko for misbrug og beskyttelse af fortrolige oplysninger.

Udfordringer og regulering: Moderne modeller kan være komplekse og vanskelige at forklare fuldt ud uden at miste præcision. Der er trade-offs mellem præcision og forklarbarhed, og der kan være risiko for overforenkling eller fejlinformation. Regulatoriske rammer, som EU’s GDPR, betoner behovet for meningsfuld information om logikken i automatiserede beslutninger i visse sammenhænge. Effektiv praksis kræver governance, menneskelig inddragelse og løbende evaluering af forklarbarheden i praksis.