最近，人工智能（AI）和機(jī)器學(xué)習(xí)（ML）模型在各個(gè)領(lǐng)域的應(yīng)用都取得了顯著的進(jìn)展，相關(guān)討論也在不斷增多。學(xué)界認(rèn)為，AI和ML模型應(yīng)當(dāng)是透明的，可解釋的和可信的。

在此背景下，可解釋AI（XAI）領(lǐng)域在迅速擴(kuò)張。通過(guò)解釋一些復(fù)雜模型，比如深度神經(jīng)網(wǎng)絡(luò)（DNN）結(jié)果如何生成，可解釋AI在提高人工智能系統(tǒng)可信度和透明度方面前景廣闊。此外，許多研究員和業(yè)內(nèi)人士認(rèn)為，使用數(shù)據(jù)起源去解釋這些復(fù)雜的模型有助于提高基于人工智能系統(tǒng)的透明度。

本文對(duì)數(shù)據(jù)起源、可解釋AI（XAI）和可信賴AI（TAI）進(jìn)行系統(tǒng)的文獻(xiàn)綜述，以解釋基本概念，說(shuō)明數(shù)據(jù)起源文件可以用來(lái)提升基于人工智能系統(tǒng)實(shí)現(xiàn)可解釋性。此外，文中還討論了這個(gè)領(lǐng)域近期的發(fā)展模式，并對(duì)未來(lái)的研究進(jìn)行展望。

對(duì)于有意了解關(guān)于數(shù)據(jù)起源，XAI和TAI的實(shí)質(zhì)的諸多學(xué)者和業(yè)界人士，希望本文能成為助力研究的一個(gè)起點(diǎn)。

1. 引言

2. XAI和TAI的基本概念

3. 數(shù)據(jù)起源, XAI, TAI的文獻(xiàn)計(jì)量分析

4. 數(shù)據(jù)起源, XAI, TAI的關(guān)系的思考

5. 數(shù)據(jù)起源, XAI, TAI未來(lái)十年發(fā)展趨勢(shì)

6. 結(jié)論

作者先列舉了多例AI和機(jī)器學(xué)習(xí)的漏洞證明了提高可解釋性的重要。又說(shuō)明TAl的基本原則是建立合法透明的AI系統(tǒng)。然后列舉各個(gè)國(guó)家在數(shù)據(jù)科學(xué)領(lǐng)域到XAI方法和戰(zhàn)略計(jì)劃，學(xué)者Wing擴(kuò)充了計(jì)算機(jī)系統(tǒng)的維度，并認(rèn)為需要權(quán)衡多種維度。

這些方法可以生成結(jié)果，但是為了增加AI系統(tǒng)的透明度，需要應(yīng)用數(shù)據(jù)起源作為XAI的補(bǔ)充技術(shù)。

文中進(jìn)行文獻(xiàn)計(jì)量分析去搜集這三者之間在論文中相互關(guān)聯(lián)的證據(jù)。作者說(shuō)明選擇數(shù)據(jù)庫(kù)的原因和查詢的關(guān)鍵字以及分析工具是Bibliometrix和VOS Viewer。

作者進(jìn)行文獻(xiàn)綜述，整理研究主題后得出：

文中也介紹了一些能夠使得Provenance文檔化的工具，比如W3C PROV本體，OpenML等。

對(duì)于現(xiàn)實(shí)世界的實(shí)踐，作者進(jìn)行文獻(xiàn)綜述，講述數(shù)據(jù)起源模型類別，W3C PROV的六個(gè)組件，然后作者簡(jiǎn)單介紹Renku等應(yīng)用工具軟件。

本部分討論了在AI/ML模型中造成偏差的原因，數(shù)據(jù)不可追蹤，沒(méi)有數(shù)據(jù)起源支持的決定是不可信的。

這項(xiàng)工作是社會(huì)-技術(shù)交叉領(lǐng)域問(wèn)題，需要從兩方面解決問(wèn)題。

開發(fā)數(shù)據(jù)起源功能應(yīng)用前應(yīng)掌握用戶需求

應(yīng)開發(fā)更多的自動(dòng)化工具記錄數(shù)據(jù)起源，并將其標(biāo)準(zhǔn)化、使數(shù)據(jù)起源記錄可查詢可訪問(wèn)。

用事后解釋的方法來(lái)解釋AI或機(jī)器學(xué)習(xí)模型是不夠的，需要數(shù)據(jù)起源加入增加系統(tǒng)可信度和透明度。作者總結(jié)了文章行文順序，強(qiáng)調(diào)數(shù)據(jù)起源對(duì)于XAI和TAI的重要性。