主要观点：本系列探讨人工智能可解释性，从基础原则到实际案例，旨在构建信任、确保责任并满足实际需求，由两位作者合作完成，分为两部分，第一部分由 Frédéric Jacquet 奠定可解释性 AI 基础，包括伦理、监管等问题及主要理论方法和工具；第二部分由 Marc-Antoine Iehl 展示两种可解释性方法在医疗和金融领域的具体应用及实验。可解释性 AI 很重要，能解决算法偏见、责任问题等，增强用户信任，减少错误和偏见，符合法规要求。
关键信息：

• 文档由两位作者合作，分两部分，分别介绍可解释性 AI 的基础和应用。
• 可解释性 AI 旨在让算法决策更易被人类理解，有内在可解释模型和事后分析方法两种途径。
• 需可解释性 AI 原因包括解决算法偏见、责任问题，增强用户信任等。
• 介绍了多种与可解释性相关的术语和概念，如算法偏见、对比和反事实解释等。
• 列出了相关参考资料，涵盖多个领域和研究。
  重要细节：
• 通过三个真实案例引出对可解释性 AI 的需求，如医生基于算法诊断、雇主基于 AI 软件解雇等。
• 详细阐述了可解释性 AI 的定义、好处和风险，如避免算法偏见、确定责任等。
• 介绍了 LIME 和 SHAP 两种可解释性方法及其应用案例的相关笔记本链接。
• 提及多个关于可解释性 AI 的研究和报告，如 The Alan Turing Institute 的研究等。