interpretierbare modelle hinzugefügt

chapters/Problematiken/Erklärbarkeit.tex

@@ -4,7 +4,8 @@
 
     \section{Verfahren}
     \label{erklaerbarkeit: verfahren}
-        \includegraphics[width = \textwidth]{black-box_explanations.png}
+        \includegraphics[width = \textwidth]{black-box_explanations.png}\\
+        Erklärungen, die durch ein externe Methode geliefert werden bezeichnet man auch als \say{post hoc} Erklärungen
 
     \section{Heatmaps}
     \label{erklaerbarkeit: heatmaps}
@@ -12,7 +13,40 @@
         welche Eigenschaften der Eingabe einen großen bzw. kleinen Einfluss auf die Ausgabe gehabt haben.\\
         \includegraphics[width = .8\textwidth]{layer-wise_relevance_propagation.png}\\
         Die graphische Darstellung der Relevanz erfolgt häufig in Form einer Heatmap:\\
-        \includegraphics[width = \textwidth]{validierung_gesichtsklassifikator.png}
+        \includegraphics[width = \textwidth]{validierung_gesichtsklassifikator.png}\\
         Eine solche Heatmap erlaubt es dem Menschen einzuschätzen, ob die Merkmale, die ein Modell für die Ausgabe verwendet sinnvoll sind.
         Jedoch auch dies nur eingeschränkt, da die Heatmap keine Information darüber gibt, wie die Datenpunkte die Ausgabe beeinflussen.\\
-        \includegraphics[width =\textwidth]{heatmap_husky_flute.png}
+        \includegraphics[width =\textwidth]{heatmap_husky_flute.png}\\
+        Dies zeigt, dass eine solche approximierende Erklärung schnell \say{irreführend}seien kann.
+
+    \section{Interpretierbare Systeme}
+    \label{interpretierbare systeme}
+        Systeme, die ihr Handeln eigenständig erklären werden als \say{interpretierbar} bezeichnet.
+        Dies hat den Vorteil,
+        dass nicht (wie z.B. bei Heatmaps (\ref{erklaerbarkeit: heatmaps})) auf Basis einer externen Methode versucht werden muss,
+        das System zu erklären.
+        Die Erklärungen sind somit \say{wirklichkeitsgetreu}.
+        Die ausgegebene Erklärung stimmt sicher mit dem tatsächlichen Aufbau des Modells überein.
+        Dies erhöht das Vertrauen in die Erklärung und somit in das Modell selber.
+        Da der Mensch lediglich dazu in der Lage ist $7\pm 2$ Elemente gleichzeitig im Kopf zu behalten,
+        sollte die Interpretation, die das System liefert auch in etwa so viele Eigenschaften verwenden. 
+        Um dies auch bei komplexen Domänen erreichen zu können, benutzen interpretierbare Modelle hier fallbasiertes Schließen (\ref{inferenz und schliessen}).
+
+        \subsection{Accuracy-Interpretability Tradeoff {\color{red}Mythos}}
+        \label{accuracy-interpretability tradeoff mythos}
+            Ein Mythos besagt, dass ein \ac{ML} System schlechter lernt, je interpretierbarer es ist.\\
+            \includegraphics[width =.4\textwidth]{accuracy_interpretability_tradeoff.png}\\
+            Da beide Eigenschaften allerdings nicht quantifizierbar sind, ist dies ein Mythos.
+            Gerade in der Entwicklung können gut interpretierbare Modelle sehr vom Vorteil sein,
+            da sie dem Entwickler helfen können das Problem besser zu verstehen.
+            
+            \paragraph{Beispiel 2HELPS2B}
+                siehe Vorlesung \say{Problematiken aktueller Ansätze}
+
+        \subsection{Interpretierbare Modelle für Bilder}
+        \label{interpretierbare bilder modelle}
+            Da eine Argumentation auf Pixelbasis bei Bildern nicht zum Verständnis des Modells beiträgt wird hier meist ein \say{This looks like that} Verfahren angewandt.
+            Hierbei gibt das Modell seine Begründungen für Klassifikationen als Vergleich mit bekannten gelabelten Daten aus.\\
+            \includegraphics[width = \textwidth]{this_looks_like_that.png}
+
+            \includegraphics[width = \textwidth]{this_looks_like_that2.png}