Un professionnel de l'apprentissage automatique souhaite offrir aux parties prenantes de la transparence et des explications sur la manière dont un modèle effectue des prédictions. Lequel des éléments suivants offre le mieux cette explicabilité ?

Les valeurs de Shapley (Shapley values) sont une méthode d'explicabilité qui attribue l'importance de chaque caractéristique à la prédiction d'un modèle, offrant une transparence sur la contribution de chaque entrée. La précision du modèle et la matrice de confusion sont des métriques de performance qui évaluent la qualité des prédictions mais n'expliquent pas comment ces prédictions sont faites. Un point de terminaison d'inférence sécurisé est une considération opérationnelle pour le déploiement du modèle, non liée à son explicabilité.