Melhorar a explicabilidade da rede neural

A Inteligência Artificial (IA) baseada em redes neuronais é crucial em muitas aplicações como sistemas de recomendação tradução de línguas redes sociais chatbots correção ortográfica etc. No entanto estas redes são frequentemente criticadas por serem caixas negras o que suscita preocupações quanto à sua explicabilidade especialmente em domínios sensíveis como os cuidados de saúde a condução autónoma etc. Os métodos existentes para melhorar a explicabilidade como a importância das caraterísticas carecem frequentemente de clareza e interpretabilidade. Para resolver este problema foi desenvolvida a Rede Neural Orientada para Objectos para Melhorar a Explicabilidade (OONNIE). A OONNIE utiliza a modelação orientada para objectos para combinar a perda e o peso da ligação para calcular a importância das caraterísticas e integra regras específicas do domínio através da extensibilidade da OOP. O modelo enfatiza a transparência algorítmica detalhando cada passo do treino. Avaliado nas funções XOR e XNOR o OONNIE apresenta resultados promissores em termos de importância das caraterísticas redução mais rápida das perdas e previsões melhoradas após a integração das regras do domínio. Isto marca uma contribuição significativa para a IA explicável tornando o OONNIE uma ferramenta valiosa para o desenvolvimento de sistemas de IA fiáveis.