Bridging the Gap between Human-Computer Interaction and Machine-Learning on Explainable AI: Initial Observations and Lessons Learned
Combler la distance entre l'interaction humain-machine et le machine learning sur l'IA explicable : premières observations et leçons apprises
Résumé
Explainability in artificial intelligence (XAI) is a rapidly growing research field nowadays, in particular in machine learning (ML). XAI concerns both the technical capacity to understand the functioning of ML models and the adequacy of the explanations with the targeted users and the contexts of use. It thus joins both the concerns of ML and of human-computer interaction (HCI) researchers. We therefore organized a workshop on XAI during the IHM’22 conference and gathered about thirty researchers from the HCI and ML communities. The contribution of this paper sums up the main teachings and the most promising avenues for collaboration that emerged during the discussions.
L’explicabilité en intelligence artificielle (XAI) est un domaine de recherche en plein essor aujourd’hui, en particulier en machine learning (ML). Ce domaine concerne à la fois la capacité technique à comprendre le fonctionnement des modèles de ML et l’adéquation des explications avec les utilisateurs et les contextes d’utilisation ciblés. Il rejoint ainsi les préoccupations des chercheurs à la fois en ML et en interaction humain-machine (IHM). Nous avons donc organisé un atelier sur l’XAI pendant la conférence IHM’22 et avons réuni une trentaine de chercheurs issus des communautés IHM et ML. La contribution de ce présent article résume les principaux enseignements et les pistes de collaboration les plus prometteuses qui ont émergé lors des discussions.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|