对于一家组织来说，充分了解 AI 决策过程并实现 AI 的模型监控和问责制，而不是盲目信任 AI，这一点至关重要。可解释 AI 可以帮助人类理解和解释机器学习 (ML) 算法、深度学习和神经网络。

ML 模型通常被认为是无法解释的黑匣。²深度学习中使用的神经网络是人类最难理解的神经网络之一。偏见（通常是基于种族的偏见）、性别、年龄或地点，这些一直是训练 AI 模型的过程中长期面临的风险。此外，因为生产数据与训练数据不同，AI 模型性能可能会出现漂移或降级。因此，企业需要持续监控和管理模型以提升 AI 可解释性，同时衡量使用此类算法所造成的业务影响，这一点至关重要。可解释 AI 还有助于提高最终用户的信任度和模型的可审计性，并促进 AI 的有效使用。它还缓解了生产 AI 带来的合规性、法律、安全和声誉风险。

可解释 AI 是实施负责任 AI 的关键要求之一，借助可解释 AI，现实中的各个组织可以大规模实施 AI 方法，并实现公平性、模型可解释性和问责制。³为了以负责任的方式采用 AI，组织需要基于信任和透明度构建 AI 系统，以将伦理原则嵌入到 AI 应用程序和流程中。

借助可解释 AI，企业可以排除故障，提高模型性能，同时帮助利益相关者了解 AI 模型的行为。通过跟踪模型，对模型行为展开调查，深入了解模型部署状态、公平性、质量和漂移，这对于扩展 AI 至关重要。

通过持续模型评估，企业能够比较模型预测结果、量化模型风险并优化模型性能。显示模型行为中的正值和负值以及用于生成解释的数据可加速模型评估。数据和 AI 平台可以生成模型预测的特征归因，并支持团队通过交互式图表和可导出文档直观调查模型行为。

要通过可解释 AI 达成理想结果，请考虑以下事项。

公平性和去偏：管理并监督公平性。扫描部署以查找潜在偏见。

减少模型漂移：分析您的模型并根据最合乎逻辑的结果提出建议。当模型偏离预期结果时发出警报。

模型风险管理：量化并降低模型风险。当模型表现不佳时收到警报。了解偏差持续存在时会发生什么。

生命周期自动化：将模型作为集成数据和 AI 服务的一部分进行构建、运行和管理。统一平台上的工具和流程，以监控模型并共享结果。解释机器学习模型的依赖关系。

多云就绪：跨混合云（包括公有云、私有云和本地部署）部署 AI 项目。利用可解释 AI，增强信任感和自信心。

• 医疗：加速诊断、影像分析、资源优化和医疗诊断。提高患者护理决策的透明度和可跟踪性。通过可解释 AI 简化药品审批流程。

• 金融服务：通过透明的贷款和信贷审批流程改善客户体验。加快信贷风险、财富管理和金融犯罪风险评估。加快解决潜在投诉和问题。增强对定价、产品推荐和投资服务的信心。

• 刑事司法：优化预测和风险评估流程。使用可解释 AI 进行 DNA 分析、监狱人口分析和犯罪预测，加速解决问题。检测训练数据和算法中的潜在偏见。