| Abstract |
Šajā bakalaura darbā tiek pētīta skaidrojamu mašīnmācīšanās metožu
salīdzinošā analīze sadzīves priekšmetu atpazīšanā attēlu klasifikācijā. Pēdējos gados
mākslīgais intelekts (MI) tiek arvien plašāk pielietots dažādās nozarēs, tostarp veselības
aprūpē, finansēs un automatizācijā (Malwade & Budhavale, 2023). Tomēr pieaugošā
dziļo neironu tīklu sarežģītība un to “melnās kastes” raksturs rada būtiskas problēmas
attiecībā uz caurspīdīgumu un uzticamību. Skaidrojams mākslīgais intelekts
(Explainable Artificial Intelligence, XAI) ir izstrādāts, lai risinātu šīs problēmas,
uzlabojot modeļu interpretējamību un tādējādi atbalstot to atbildīgu pielietojumu reālās
dzīves scenārijos (Ullah et al., 2024). Sadzīves priekšmetu klasifikācija ir praktiski
nozīmīga joma MI pielietošanā, īpaši viedajās mājās, robotu redzes sistēmās un
drošības automatizācijā (Zhou et al., 2021). Šajā darbā uzmanība tiek pievērsta trīs plaši
pielietoto XAI metožu LIME (Local Interpretable Model-Agnostic Explanations),
Grad-CAM (Gradient-weighted Class Activation Mapping) un SHAP (Shapley
Additive Explanations) novērtējumam, balstoties uz to spēju ģenerēt skaidrus,
interpretējamus vizuālus skaidrojumus, vienlaikus saglabājot aprēķinu efektivitāti.
Pētījumā izmantots pielāgots MobileNetV2 modelis, kas apmācīts ar desmit sadzīves
priekšmetu klasēm, lai izvērtētu katras metodes stiprās un vājās puses. Modeļu
uzvedības izpratne ir būtiska, lai sabiedrībā plašāk pieņemtu MI sistēmas, jo īpaši tajās
jomās, kur svarīga ir drošība, uzticēšanās un caurspīdīgums. Darbs sastāv no deviņām
nodaļām, aptverot literatūras apskatu, metodoloģiju, vizuālo un aprēķināšanas
novērtējumu, salīdzinošo interpretāciju un galīgos ieteikumus. |
