Das vierbändige Set "Explainable Artificial Intelligence" umfasst die begutachteten Tagungsberichte der zweiten Weltkonferenz über erklärbare künstliche Intelligenz (xAI 2024), die vom 17. bis 19. Juli 2024 in Valletta, Malta, stattfand. Die 95 vollständigen Beiträge wurden sorgfältig aus 204 Einreichungen ausgewählt und decken ein breites Spektrum an Themen ab, die für die Entwicklung und Anwendung von erklärbarer KI von Bedeutung sind. Die Konferenzpapiere sind in thematische Abschnitte unterteilt, die sich mit intrinsisch interpretierbarer xAI, generativer erklärbarer KI, Fairness, Vertrauen, Privatsphäre und den Anwendungen von erklärbarer KI in verschiedenen Bereichen wie Gesundheitswesen und Softwaretechnik befassen. Dieses Fachbuch bietet wertvolle Einblicke und aktuelle Forschungsergebnisse, die für Fachleute und Wissenschaftler im Bereich der künstlichen Intelligenz von Interesse sind.

Das Buch "Explainable Artificial Intelligence for Intelligent Transportation Systems" bietet eine umfassende Analyse der Rolle von erklärbarer künstlicher Intelligenz (XAI) im Bereich intelligenter Verkehrssysteme (ITS). In einer Zeit, in der Entscheidungen, die Leben und Tod betreffen, zunehmend an KI-Algorithmen delegiert werden, wird die Notwendigkeit von Erklärbarkeit und verantwortungsbewusster KI besonders deutlich. Das Werk beleuchtet die Herausforderungen, die im Zusammenhang mit autonomen Fahrzeugen, Verkehrsmanagementsystemen sowie der Datenintegration und -analyse auftreten. Es richtet sich an Forscher und Fachleute, die sich mit der Implementierung von XAI in Verkehrssystemen befassen, und bietet Einblicke in Methoden zur Verbesserung der Interpretierbarkeit dieser Systeme. Darüber hinaus werden ethische Überlegungen in Verbindung mit technischen Aspekten behandelt, um ein ganzheitliches Verständnis der Thematik zu fördern.

Das Buch "Explainable and Transparent AI and Multi-Agent Systems" ist eine Sammlung von ausgewählten Beiträgen, die aus den Proceedings des 5. Internationalen Workshops EXTRAAMAS 2023 hervorgegangen sind. Dieser Workshop fand im Mai 2023 in London statt und widmete sich den aktuellen Entwicklungen im Bereich der erklärbaren Künstlichen Intelligenz (XAI) und multi-agenten Systemen. Die 15 vollständigen und 1 kurzen Beiträge wurden aus 26 eingereichten Arbeiten sorgfältig ausgewählt und bieten einen tiefen Einblick in die Herausforderungen und Fortschritte in der Erklärbarkeit von Agenten und maschinellem Lernen. Die Themen reichen von erklärbaren Agenten über die Anwendung von XAI in verschiedenen Domänen bis hin zu innovativen Ansätzen zur Verbesserung der Transparenz in KI-Systemen. Dieses Fachbuch richtet sich an Forscher, Praktiker und Studierende, die sich für die neuesten Trends und Technologien in der Künstlichen Intelligenz und den damit verbundenen ethischen Fragestellungen interessieren.

Das Buch "Explainable AI Within the Digital Transformation and Cyber Physical Systems" bietet eine umfassende Einführung in die Konzepte der erklärbaren Künstlichen Intelligenz (XAI). Es zielt darauf ab, Modelle zu entwickeln, die es menschlichen Nutzern ermöglichen, die Ergebnisse von KI-Systemen zu verstehen und ihnen zu vertrauen. Die Autoren beleuchten die Herausforderungen, die mit der Erklärbarkeit von maschinellen Lernmodellen verbunden sind, insbesondere die Notwendigkeit, Erklärungen an verschiedene Interessengruppen anzupassen, die unterschiedliche technische Kenntnisse besitzen. Darüber hinaus wird die Entwicklung eines Evaluierungsrahmens und von Standards hervorgehoben, um die Wirksamkeit der bereitgestellten Erklärungen zu messen. Das Buch versammelt Forschungsbeiträge, die sich mit der Anwendung von XAI-Techniken in verschiedenen Bereichen wie Gesundheitswesen, Finanzen, Cybersicherheit und Dokumentenzusammenfassung befassen. Es bietet wertvolle Einblicke in die Vorteile und Anforderungen der Nutzung erklärbarer Modelle in unterschiedlichen Anwendungsbereichen und dient als Leitfaden für Leser, um die am besten geeigneten Modelle für ihre spezifischen Probleme und Bedingungen auszuwählen.

Das Buch "Explainable and Transparent AI and Multi-Agent Systems" dokumentiert die Ergebnisse des dritten internationalen Workshops zu erklärbarer und transparenter Künstlicher Intelligenz (XAI) und Multi-Agenten-Systemen, der 2021 virtuell stattfand. Die Sammlung umfasst 19 umfassend überarbeitete Beiträge sowie einen kurzen Beitrag, die aus insgesamt 32 Einreichungen ausgewählt wurden. Die behandelten Themen sind vielfältig und reichen von maschinellem Lernen über Anwendungen von XAI bis hin zu logischen und argumentativen Aspekten. Die Beiträge sind in verschiedene Sektionen unterteilt, die sich mit den Herausforderungen und Fortschritten in der Entwicklung von erklärbaren und transparenten KI-Systemen befassen. Dieses Fachbuch richtet sich an Fachleute und Forscher, die sich mit den neuesten Entwicklungen in der KI und Multi-Agenten-Systemen auseinandersetzen möchten.

Das Buch "Interpretable Artificial Intelligence: A Perspective of Granular Computing" bietet eine umfassende Analyse der aktuellen Entwicklungen im Bereich der Künstlichen Intelligenz (KI), insbesondere im Hinblick auf erklärbare Künstliche Intelligenz (XAI). Es beleuchtet die wesentlichen Merkmale von Interpretierbarkeit und Erklärbarkeit innerhalb des Rahmens des Granular Computing. Durch die Verwendung von Informationsgranulaten wird ein hohes Mass an Menschzentriertheit und Transparenz erreicht, das für die Entwicklung von KI-Konstrukten von zentraler Bedeutung ist. Die einzelnen Kapitel decken ein breites Spektrum ab und behandeln neueste Entwicklungen in der Methodologie, fortgeschrittene Algorithmen sowie Anwendungen von XAI in Bereichen wie visueller Analyse, Wissensdarstellung, Lernen und Interpretation. Dieses Buch richtet sich an ein breites Publikum, einschliesslich Forscher und Praktiker, die sich mit dem schnell wachsenden Wissensbereich der KI und intelligenten Systeme vertraut machen möchten.

Das Fachbuch "Explainable Artificial Intelligence and Process Mining Applications for Healthcare" bietet eine umfassende Analyse der Anwendung von erklärbarer künstlicher Intelligenz (XAI) und Prozessmining im Gesundheitswesen. Die Autoren, darunter Niels Martin und Carlos Fernandez-Llatas, beleuchten die Herausforderungen und Chancen, die sich aus der Integration dieser Technologien in die Gesundheitsversorgung ergeben. Mit einem klaren Fokus auf technische Aspekte und praktische Anwendungen richtet sich das Buch an Fachleute und Studierende, die ein tieferes Verständnis für die Rolle von XAI und Prozessmining in der Verbesserung von Gesundheitsdienstleistungen erlangen möchten. Die 150 Seiten umfassende Publikation ist in englischer Sprache verfasst und bietet wertvolle Einblicke in innovative Ansätze zur Optimierung von Prozessen im Gesundheitswesen. Die Kombination aus theoretischen Grundlagen und praktischen Beispielen macht dieses Buch zu einer wichtigen Ressource für alle, die sich mit der Digitalisierung im Gesundheitssektor beschäftigen.

"Explainability in Federated Learning" bietet eine umfassende Untersuchung der Integration von erklärbarer KI (XAI) in föderierte Lernsysteme (FL). Das Buch beginnt mit einem Überblick über die Grundlagen von FL und XAI, bevor es sich mit deren Überschneidungen beschäftigt und die Herausforderungen und Vorteile der Erklärbarkeit in dezentralen Umgebungen hervorhebt. Es werden verschiedene Erklärungsmethoden vorgestellt, die auf FL zugeschnitten sind, wobei der Schwerpunkt auf Personalisierung, Umgang mit heterogenen Daten und Betrieb in ressourcenbeschränkten Umgebungen liegt. Wichtige Kapitel befassen sich mit Vertrauen, Fairness und Transparenz, unterstützt durch Fallstudien aus der Praxis und Visualisierungstools. Ethische, rechtliche und soziale Implikationen werden ebenso erörtert wie kontradiktorische Perspektiven. Das Buch schließt mit Benchmarking-Strategien und zukünftigen Forschungsrichtungen und dient als wichtiger Leitfaden für Forscher, Entwickler und politische Entscheidungsträger, die transparente, vertrauenswürdige FL-Modelle entwickeln wollen.

"Explainability in Federated Learning" bietet eine umfassende Untersuchung der Integration von erklärbarer KI (XAI) in föderierte Lernsysteme (FL). Das Buch beginnt mit einem Überblick über die Grundlagen von FL und XAI, bevor es sich mit deren Überschneidungen beschäftigt und die Herausforderungen und Vorteile der Erklärbarkeit in dezentralen Umgebungen hervorhebt. Es werden verschiedene Erklärungsmethoden vorgestellt, die auf FL zugeschnitten sind, wobei der Schwerpunkt auf Personalisierung, Umgang mit heterogenen Daten und Betrieb in ressourcenbeschränkten Umgebungen liegt. Wichtige Kapitel befassen sich mit Vertrauen, Fairness und Transparenz, unterstützt durch Fallstudien aus der Praxis und Visualisierungstools. Ethische, rechtliche und soziale Implikationen werden ebenso erörtert wie kontradiktorische Perspektiven. Das Buch schließt mit Benchmarking-Strategien und zukünftigen Forschungsrichtungen und dient als wichtiger Leitfaden für Forscher, Entwickler und politische Entscheidungsträger, die transparente, vertrauenswürdige FL-Modelle entwickeln wollen.

Das Buch "Explainable Fuzzy Systems" bietet eine umfassende Einführung in die Konzepte und Methoden der erklärbaren Fuzzy-Systeme (EXFS) im Kontext der vertrauenswürdigen und erklärbaren Künstlichen Intelligenz (XAI). Es behandelt die Herausforderungen der Unschärfe und Unsicherheit in XAI-Anwendungen, insbesondere in Bezug auf die Generierung von Erklärungen in natürlicher Sprache. Die Autoren, darunter Jose Maria Alonso Moral und Luis Magdalena, legen den Grundstein für die Interpretierbarkeit in Fuzzy-Systemen, indem sie mathematische Einschränkungen und Bewertungsfunktionen einführen. Das Buch beschreibt verschiedene Entwurfsmethoden und bietet praktische Beispiele, die zeigen, wie EXFS aus interpretierbaren Fuzzy-Systemen und der natürlichen Sprachgenerierung entwickelt werden können. Unterstützt wird dieser Ansatz durch Open-Source-Software, die den Lesenden ermöglicht, die Konzepte praktisch anzuwenden. Es richtet sich an Forschende, Studierende und Praktiker, die sowohl theoretische als auch praktische Perspektiven auf EXFS erkunden möchten.

"Enthüllung der Black Box: Praktisches Deep Learning und erklärbare KI" bietet einen umfassenden Überblick über erklärbare KI-Techniken (XAI) und ihre Bedeutung für die Gewährleistung von Transparenz und Vertrauen in komplexe KI-Modelle. Bei KI-Anwendungen in den Bereichen Gesundheitswesen, Finanzen und autonome Systeme wirft die Undurchsichtigkeit von Deep-Learning-Modellen häufig ethische, rechtliche und Zuverlässigkeitsbedenken auf. Dieser Leitfaden untersucht grundlegende KI-Modellstrukturen wie Feedforward Neural Networks (FNN), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) und beleuchtet deren Architektur, Funktionalität und reale Anwendungen. Um die Interpretierbarkeit zu verbessern, stellt der Text führende XAI-Methoden wie Local Interpretable Model-Agnostic Explanations (LIME) und SHAPley Additive Explanations (SHAP) vor, die es Benutzern ermöglichen, Modellvorhersagen zu verstehen. Fortgeschrittene Techniken, darunter Transfer Learning und Aufmerksamkeitsmechanismen, werden diskutiert, um ihre Auswirkungen auf die Anpassungsfähigkeit und Leistung neuronaler Netzwerke zu veranschaulichen. Die Herausforderungen bei der Entwicklung interpretierbarer KI, wie das Verwalten von Voreingenommenheit, das Ausbalancieren von Genauigkeit und die Gewährleistung der Privatsphäre, werden ebenfalls behandelt.

"Enthüllung der Black Box: Praktisches Deep Learning und erklärbare KI" bietet einen umfassenden Überblick über erklärbare KI-Techniken (XAI) und ihre Bedeutung für die Gewährleistung von Transparenz und Vertrauen in komplexe KI-Modelle. Bei KI-Anwendungen in den Bereichen Gesundheitswesen, Finanzen und autonome Systeme wirft die Undurchsichtigkeit von Deep-Learning-Modellen häufig ethische, rechtliche und Zuverlässigkeitsbedenken auf. Dieser Leitfaden untersucht grundlegende KI-Modellstrukturen wie Feedforward Neural Networks (FNN), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN) und beleuchtet deren Architektur, Funktionalität und reale Anwendungen. Um die Interpretierbarkeit zu verbessern, stellt der Text führende XAI-Methoden wie Local Interpretable Model-Agnostic Explanations (LIME) und SHAPley Additive Explanations (SHAP) vor, die es Benutzern ermöglichen, Modellvorhersagen zu verstehen. Fortgeschrittene Techniken, darunter Transfer Learning und Aufmerksamkeitsmechanismen, werden diskutiert, um ihre Auswirkungen auf die Anpassungsfähigkeit und Leistung neuronaler Netzwerke zu veranschaulichen. Die Herausforderungen bei der Entwicklung interpretierbarer KI, wie das Verwalten von Voreingenommenheit, das Ausbalancieren von Genauigkeit und die Gewährleistung der Privatsphäre, werden ebenfalls behandelt.

Das Buch "Case-Based Reasoning Research and Development" dokumentiert die refereed Proceedings der 27. Internationalen Konferenz über fallbasiertes Schliessen, die im September 2019 in Otzenhausen, Deutschland, stattfand. Es umfasst 26 ausgewählte Volltexte, die aus 43 eingereichten Arbeiten hervorgegangen sind. Die Konferenz thematisierte insbesondere das Konzept der erklärbaren Künstlichen Intelligenz (XAI) und beleuchtet verschiedene Aspekte der Theorie und Anwendung des fallbasierten Schliessens sowie dessen zukünftige Entwicklungen. Die Beiträge bieten wertvolle Einblicke in aktuelle Forschungstrends und innovative Ansätze in diesem dynamischen Bereich der Technik und IT.

Künstliche Intelligenz zur Aufdeckung von Versicherungsbetrug: Predictive Models and Risk Analysis" erforscht die transformative Rolle der KI bei der Bekämpfung von Versicherungsbetrug. Das Buch deckt Schlüsselthemen wie Risikomanagement, Datenschutz und Compliance ab und bietet eine eingehende Analyse von maschinellem Lernen, Deep Learning und Anomalie-Erkennungstechniken zur Betrugserkennung. Es befasst sich mit Ensemble- und Hybridmodellen, NLP für textuelle Betrugserkennung und Explainable AI (XAI) für eine transparente Entscheidungsfindung. Auch Blockchain und Smart Contracts werden als innovative Instrumente zur Betrugsprävention diskutiert. Mit Fallstudien aus der Praxis und neuen Trends dient dieses Buch als umfassender Leitfaden für Versicherungsfachleute, Datenwissenschaftler und KI-Forscher, die die Betrugserkennung mit modernsten Technologien verbessern wollen.

Dieses Buch präsentiert eine umfassende Studie über die Integration von Graph Neural Networks (GNNs) mit Explainable Artificial Intelligence (XAI) Methoden zur Erkennung von Finanzbetrug. Es evaluiert mehrere GNN-Architekturen wie GCN, GAT, GIN, GraphSAGE, HinSAGE und FraudGNN neben traditionellen maschinellen Lernmodellen wie Neuronalen Netzen und Random Forest. Erklärungsmethoden wie GNNExplainer, GraphMask, SHAP und LIME werden angewendet, um Transparenz, Interpretierbarkeit und Vertrauen in Betrugserkennungsaufgaben zu schaffen. Die Arbeit bietet systematische Vergleiche in Bezug auf Leistung, Treue, Laufzeit und Interpretierbarkeit, unterstützt durch visuelle Fallstudien. Sie hebt hervor, wie die Kombination von graphbasierten Schlussfolgerungen mit Erklärungsmethoden die Betrugserkennungssysteme verbessern und die aufkommenden Anforderungen einer vertrauenswürdigen und verantwortungsvollen KI erfüllen kann.

Dieses Buch präsentiert eine umfassende Studie über die Integration von Graph Neural Networks (GNNs) mit Explainable Artificial Intelligence (XAI) Methoden zur Erkennung von Finanzbetrug. Es evaluiert mehrere GNN-Architekturen wie GCN, GAT, GIN, GraphSAGE, HinSAGE und FraudGNN neben traditionellen maschinellen Lernmodellen wie Neuronalen Netzen und Random Forest. Erklärungsmethoden wie GNNExplainer, GraphMask, SHAP und LIME werden angewendet, um Transparenz, Interpretierbarkeit und Vertrauen in Betrugserkennungsaufgaben zu schaffen. Die Arbeit bietet systematische Vergleiche in Bezug auf Leistung, Treue, Laufzeit und Interpretierbarkeit, unterstützt durch visuelle Fallstudien. Sie hebt hervor, wie die Kombination von graphbasierten Schlussfolgerungen mit Erklärungsmethoden die Betrugserkennungssysteme verbessern und die aufkommenden Anforderungen einer vertrauenswürdigen und verantwortungsvollen KI erfüllen kann.

Künstliche Intelligenz zur Aufdeckung von Versicherungsbetrug: Predictive Models and Risk Analysis" erforscht die transformative Rolle der KI bei der Bekämpfung von Versicherungsbetrug. Das Buch deckt Schlüsselthemen wie Risikomanagement, Datenschutz und Compliance ab und bietet eine eingehende Analyse von maschinellem Lernen, Deep Learning und Anomalie-Erkennungstechniken zur Betrugserkennung. Es befasst sich mit Ensemble- und Hybridmodellen, NLP für textuelle Betrugserkennung und Explainable AI (XAI) für eine transparente Entscheidungsfindung. Auch Blockchain und Smart Contracts werden als innovative Instrumente zur Betrugsprävention diskutiert. Mit Fallstudien aus der Praxis und neuen Trends dient dieses Buch als umfassender Leitfaden für Versicherungsfachleute, Datenwissenschaftler und KI-Forscher, die die Betrugserkennung mit modernsten Technologien verbessern wollen.

Das vierbändige Set "Explainable Artificial Intelligence" umfasst die begutachteten Tagungsberichte der zweiten Weltkonferenz über erklärbare künstliche Intelligenz (xAI 2024), die vom 17. bis 19. Juli 2024 in Valletta, Malta, stattfand. In diesem Werk sind 95 vollständige Beiträge enthalten, die aus 204 Einreichungen sorgfältig ausgewählt wurden. Die Konferenzpapiere sind in thematische Abschnitte unterteilt, die verschiedene Aspekte der erklärbaren KI abdecken, darunter intrinsisch interpretierbare Modelle, generative Ansätze sowie Methoden zur Evaluierung und Benchmarking. Weitere Themen sind die Anwendung von erklärbarer KI in Bereichen wie Graphen, Computer Vision, Fairness, Vertrauen und Sicherheit. Das Buch bietet auch Einblicke in die Nutzung von erklärbarer KI im Gesundheitswesen und in der Softwaretechnik, um die Interaktion zwischen Mensch und Computer zu verbessern.

Das Buch "Trends of Artificial Intelligence and Big Data for E-Health" bietet eine umfassende Analyse der Auswirkungen von Künstlicher Intelligenz (KI) und Big Data im Gesundheitswesen. Es beleuchtet, wie diese Technologien die medizinische Entscheidungsfindung und Datenanalyse in verschiedenen Bereichen wie Radiologie, Onkologie, Psychiatrie und mehr revolutionieren können. Die Autoren diskutieren innovative Konzepte wie das Internet der Dinge in der Medizin (IoMT), erklärbare Künstliche Intelligenz (XAI) und die Herausforderungen im Bereich Datenschutz und Ethik. Durch die Nutzung von Big Data-Analysen können Gesundheitsdienstleister präzisere Analysen durchführen und die Patientenversorgung optimieren. Das Buch adressiert auch die Notwendigkeit, rechtliche und ethische Bedenken zu berücksichtigen, während es gleichzeitig die Möglichkeiten zur Verbesserung der Nachhaltigkeit und Standardisierung von Gesundheitssystemen aufzeigt.

Das Buch "Explainable Ambient Intelligence (XAmI)" bietet eine umfassende Analyse der Fortschritte im Bereich der erklärbaren Ambient Intelligence. Es behandelt die Methoden, Werkzeuge und Anwendungen, die in diesem innovativen Bereich entwickelt wurden. Ambient Intelligence beschreibt eine Zukunft, in der Umgebungen intelligent und unauffällig auf die Bedürfnisse der Menschen reagieren. Während Künstliche Intelligenz (KI) bereits in vielen Aspekten der Ambient Intelligence Anwendung findet, gibt es Herausforderungen in der Verständlichkeit und Kommunikation fortgeschrittener KI-Methoden. Dies ist besonders relevant für Nutzer, die nicht über ausreichendes Fachwissen im Bereich KI verfügen. Das Buch thematisiert die Rolle von erklärbarer KI (XAI) als Lösung für diese Problematik und bietet Einblicke in reale Fallstudien, die die Anwendung von XAmI veranschaulichen. Es richtet sich an Studierende und Forschende, die sich mit den Herausforderungen und Möglichkeiten der Ambient Intelligence auseinandersetzen möchten.