Hubert Baniecki、Wojciech Kretowicz、Piotr Piątyszek、Jakub Wi sh niewski、Przemysław Biecek。
年份：2021年，数量：22，版本：214，页码：1-7
摘要
在现代机器学习中，我们观察到不透明债务现象，其表现为歧视风险增加、缺乏再现性以及由于数据漂移导致的性能下降。越来越多的可用数据和计算能力导致黑盒预测模型的复杂性不断增加。为了管理这些问题，良好的MLOps实践要求更好地验证模型的性能和公平性、更高的可解释性和持续监控。深入的模型透明度的必要性来自科学和社会领域，也由新兴的人工智能法律法规引起。为了促进机器学习模型的负责任开发，我们引入了dalex，这是一个Python包，它实现了一个用于交互式解释和公平的模型识别接口。它采用了通过开发各种工具精心设计的设计，用于可解释的机器学习；因此，它旨在统一现有的解决方案。此库的源代码和文档可在以下网站获得开放许可证：https://python.drwhy.ai。
PDF格式
BibTeX公司
代码