Show simple item record

dc.contributor.advisorHakanen, Jussi
dc.contributor.advisorÄyrämö, Sami
dc.contributor.authorHaverinen, Tiia
dc.date.accessioned2020-07-28T06:40:44Z
dc.date.available2020-07-28T06:40:44Z
dc.date.issued2020
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/71252
dc.description.abstract2000-luvun aikana tekoälysovellukset ovat saavuttaneet erinomaisen suorituskyvyn useissa eri tehtävissä. Suuret datajoukot, kasvava laskennallinen teho sekä yhä monimutkaisemmat koneoppimismallit ovat mahdollistaneet sen. Valitettavasti nämä monimutkaiset mallit ovat usein vain mustia laatikoita ihmiskäyttäjille ja käyttäjällä on vaikeuksia ymmärtää ja luottaa tekoälysysteemin lopputuloksiin. Selittävän tekoälyn osa-alueella on ollut suuri määrä tutkimusta sellaisten menetelmien kehittämiseksi, jotka lisäisivät tekoälysysteemien selittävyyttä. Tämä opinnäytetyö sisältää sekä kirjallisuuskatsauksen selittävän tekoälyn tutkimuksesta että kokeilun, jossa kartoitettiin yksinkertaisilla tekoälymenetelmillä ECR-ionilähteen optimaalisia parametreja maksimaaliselle ionisuihkun intensiteetille.fi
dc.description.abstractIn the 21st century, the applications of artificial intelligence (AI) have achieved great performance in various tasks. Large datasets, increasing computational power and more complex machine learning models have made it possible. Unfortunately, these complex models are often only black boxes to human users and the user has difficulties to understand and trust the outcomes of AI systems. There has been a great amount of research in the field of explainable artificial intelligence (XAI) to develop methods that increase the explainability of AI systems. In addition to a literature review of the research in XAI, the present thesis includes a small project in which the parameters of an ECR ion source have been surveyed via simple machine learning methods in order to find the optimal parameters for the maximal ion beam intensity.en
dc.format.extent71
dc.format.mimetypeapplication/pdf
dc.language.isoen
dc.subject.otherexplainability
dc.subject.otherinterpretability
dc.subject.otherion sources
dc.titleTowards explainable artificial intelligence (XAI)
dc.identifier.urnURN:NBN:fi:jyu-202007285401
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.laitosInformation Technologyen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.rights.copyrightJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rights.copyrightThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi602
dc.subject.ysotekoäly
dc.subject.ysokoneoppiminen
dc.subject.ysoionit
dc.subject.ysoartificial intelligence
dc.subject.ysomachine learning
dc.subject.ysoions
dc.format.contentfulltext
dc.type.okmG2


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record