XAIpipeline: Automated Orchestration of Explainable AI Services for Cloud AI and Open-source Models
Notice bibliographique
Résumé
Cloud platforms and open-source model repositories offer advanced AI services. These services are becoming essential components for building AI -enabled software. The opacity and lack of explanation have become new challenges to address within the software service lifecycle. Recent studies demonstrate that augmenting explainability requires the integration of diverse al-gorithms, models, and data pipelines. To address this, we present XAIpipeline, a service that interfaces with cloud AI services and open-source models to provide detailed model explanations. XAIpipeline automates structured approaches to apply multiple explainable AI (XAI) techniques, enhancing the explainability and quality assurance of AI-based software service systems. This work implements the XAIpipeline's design and technology stack, demonstrating its integration of XAI algorithms, cloud AI services, and open-source models with a DevOps-style toolkit. The service executes parallel pipelines and produces end-to-end explanation visualizations from data samples. XAIpipeline offers APIs, CLIs, and web portals, enabling users to configure tasks to their specific requirements. We showcase three XAI service scenarios where AI models are applied to support decision-making: (1) Tabular classification model, (2) Image vision model, and (3) Video action recognition model. The source code and supplementary materials are available on GitHub (https://ithub.com/ZeruiWIXAlpipeline).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».