Jedes Quartal verwendet ein Unternehmen ML-Modelle, um die Nachfrage vorherzusagen, und möchte einen Bericht erstellen, der den Stakeholdern klare Erklärungen darüber liefert, wie die Modelle Vorhersagen treffen. Welchen Punkt sollte der KI-Praktiker in den Bericht aufnehmen, um Modelltransparenz und Erklärbarkeit zu gewährleisten?

Partial Dependence Plots (PDPs) zeigen den durchschnittlichen marginalen Effekt eines oder zweier Features auf die Vorhersage eines Modells, während alle anderen Features konstant gehalten werden. Dies bietet eine klare und verständliche Erklärung, wie bestimmte Eingabemerkmale die Modellausgabe beeinflussen, was für Stakeholder ohne tiefgreifendes ML-Wissen leicht nachvollziehbar ist. Der zum Trainieren des Modells verwendete Code ist zu technisch und für die meisten Stakeholder nicht verständlich. Beispiele der Trainingsdaten allein