主要观点：本系列探讨 AI 可解释性如何从基础原则到实际用例帮助建立信任、确保责任并符合实际需求，包括对比和反事实解释、功能方法与透明度等两种主要可解释性方法及相关技术，还介绍了多种用于解释 AI 决策的工具和方法，并提及相关参考资料，后续将深入探讨可解释 AI 在不同领域的应用。
关键信息：

• 对比和反事实解释可回答“为何是此决策而非其他”，在算法决策对个体有直接影响的领域很重要，能减少任意性感知、检测偏见。
• 功能方法注重让系统工作方式更易理解，对非专家用户有用，可帮助在金融等领域建立对 AI 的信任。
• SHAP 和 LIME 等工具用于分析变量对模型决策的影响，后续将通过案例研究详细应用。
• 介绍了多种与可解释性相关的术语和概念，如算法偏差、偏置检测等。
• 列出了 17 个关于可解释 AI 的参考资料。
  重要细节：
• 以贷款审批为例说明对比解释的作用，即指出不同条件变化对决策的影响。
• 提及复杂 AI 模型如深度神经网络可通过功能方法使其输入输出更易解释。
• 详细介绍了 LIME 和 SHAP 的特点及相关案例研究链接。
• 各参考资料涵盖了不同方面，如 LIME 代码库、数据集等。