Что такое L в коробке автомат?

Буква «L» — от английского Low, низкий — это пониженная передача. Пониженная передача используется для преодоления препятствий на дороге, например, при пробуксовки автомобиля. … Цифра «3» — движение вперед на третьей передаче; Буква «M» — от английского Manual — «ручной», переводит АКПП в ручной режим.

Что означает буква L на автоматической коробке передач?

L (от англ. low — низкий) — этот режим используется для движения в горной местности, буксирования прицепа и торможения двигателем.

Для чего нужна L на автомате?

Сюда же примыкает режим «L» (от англ. low – низкий) – движение вперёд на пониженной передаче. Его нельзя включать при скорости более 30 км/ч, иначе машину попросту занесёт. Нередко вместо «L» можно увидеть обозначение «B» (сокращённо от bottom — дно).

Для чего на акпп 2 L?

Передачи 2 и L автоматической коробки Джили МК предназначены для движения по горным или скользким дорогам. Режим L предусматривает движение только на 1-й передаче. … Режим 2 предназначен для аналогичных, но более легких условий и подразумевает работу АКПП на 1-й и 2-й передачах.

Можно ли переключать акпп на ходу с D на L?

Ответ — да, можно, но только не во все положения, иначе можно серьезно повредить АКПП. Категорически запрещается при движении вперед переводить ручку в позиции «Р» и «R». … Так, перевод РВД из положения «D» в положение «3» или «2» увеличит эффективность торможения двигателем.

Что означают знаки плюс и минус на автоматической коробкой передач?

По сути, он предполагает имитацию ручного управления. На коробке он реализован в виде паза для селектора, и обозначен знаками плюс и минус. Плюс дает возможность повысить передачу, а минус — понизить, соответственно.

Для чего нужна передача Л?

«L» — Движение только на 1-й передаче

Используется на бездорожье, крутых уклонах и для активного торможения двигателем.

Что означает передача L?

Буква «L» — от английского Low, низкий — это пониженная передача. Пониженная передача используется для преодоления препятствий на дороге, например, при пробуксовки автомобиля. При ней используется торможение двигателем. … Цифра «2» — обозначает движение вперед на второй передаче.

Для чего скорость L?

L (пониженная передача)

Когда происходит переключение на пониженную передачу “L”, коробка передач будет работать в режиме второй скорости до тех пор, пока скорость движения не уменьшится достаточно для включения пониженной передачи. Не превышайте скорость движения 50 км/ч на пониженной передаче.

Для чего на акпп 1 2 3?

Положение 1, 2, 3, означает количество передач используемых АКПП — сделано для того чтоб АКПП без нужды например 3ю не вкидывал (когда на 2ке рулишь) — пример с Крымскими серпантинами очень хорошо это демонстрирует. Если не удается тронуться с места на скользкой дороге, переключитесь в положение HOLD и D.

Что означают буквы на коробке автомат Тойота?

Стандартным набором режимов работы для всех «автоматов» являются: P (Parking) — парковка, D (Drive) — движение, N (Neutral) — нейтральная передача и R (Reverse) — задний ход.

Как переключать акпп на ходу?

Правильный метод управления автоматом следующий:

1. Включить зажигание. Дать автомобилю прогреться до рабочей температуры в течение трех минут.
2. Нажать на педаль тормоза. Переключить ручку селектора АКПП в положение «Движение вперед» или «Движение назад».
3. Отпустить тормоз и нажать на газ без резких движений.

Можно ли на ходу переключать автомат в спорт?

на ходу из режима спорт можно переключатся не нажимая кнопку блокировки в режим драйв. А из режима драйв в режим спорт просто не переведёшь. Нужно нажимать конпку.

Можно ли переключение акпп на заглушенном двигателе?

Можно, но только не во все положения. Категорически запрещается при движении вперед переводить РВД в положения «Р» и «R». В оба эти положения рычаг можно переводить только при полной остановке автомобиля. Нарушение этого правила может привести к серьезной поломке АКПП.

Можно ли переключать автомат на заглушенной машине?

Ничего страшного не произойдёт. Это кнопка блокировки селектора АКПП. Её нажатие позволяет переводить рычаг в различные положения при заглушённом двигателе. В частности, эта функция требуется, когда селектор нужно перевести в нейтральное положение для погрузки машины на эвакуатор или буксировки.

Ваш вопрос: Что означает S и L на коробке автомат?

Для чего нужна L на автомате?

Сюда же примыкает режим «L» (от англ. low – низкий) – движение вперёд на пониженной передаче. Его нельзя включать при скорости более 30 км/ч, иначе машину попросту занесёт. … Противоположный по смыслу режим скрывается за кнопкой «O/D» (от overdrive — повышенная передача) на рычаге управления АКПП.

Что означает буква L на коробке автомат?

L (от англ. low — низкий) — этот режим используется для движения в горной местности, буксирования прицепа и торможения двигателем.

Что значит S на автоматической коробке передач?

Режим S на автоматической коробке передач нужен для того, чтобы автомобиль вел себя более динамично, т. е. быстро стартовал, быстро ускорялся и быстрее совершал обгон на высоких скоростях. По сему выходит, что режим S — это спортивный режим АКПП, когда машина выдает свои максимальные технические возможности.

Что означают буквы на автоматической коробке передач?

Стандартным набором режимов работы для всех «автоматов» являются: P (Parking) — парковка, D (Drive) — движение, N (Neutral) — нейтральная передача и R (Reverse) — задний ход. … Положение селектора в P (Parking) включает режим парковки, то есть длительной стоянки, во время которого коробка блокирует движение автомобиля.

Что за передача L?

L (пониженная передача)

Когда происходит переключение на пониженную передачу “L”, коробка передач будет работать в режиме второй скорости до тех пор, пока скорость движения не уменьшится достаточно для включения пониженной передачи.

Для чего 1 2 3 передачи на автомате?

Режимы 1, 2, 3 в автомобилях, оснащенных АКПП, придуманы не просто так. Такое дополнение помогает водителям без труда преодолевать спуски и подъемы, при этом, не нагружая тормозную систему и мотор.

Можно ли переключать акпп на ходу с D на L?

На этот счёт гуляют различные заблуждения. Ответ — да, можно, но только не во все положения, иначе можно серьезно повредить АКПП. Категорически запрещается при движении вперед переводить ручку в позиции «Р» и «R». … Так, перевод РВД из положения «D» в положение «3» или «2» увеличит эффективность торможения двигателем.

Что означает L на переключении передач на вариаторе?

Режим L — режим LOW, т. е. пониженная передача. Как на классических автоматах, так и на вариаторах коробка в этом режиме не переключает передачи выше 2.

Что значит плюс и минус на автоматической коробке передач?

На коробке он реализован в виде паза для селектора, и обозначен знаками плюс и минус. Плюс дает возможность повысить передачу, а минус — понизить, соответственно.

Можно ли переключать с D на S на ходу?

Новичкам также интересно, можно ли переключать АКПП на ходу с «D» на «S». Так как это всего лишь программа для автомата, то в самой коробке во время включения ничего не изменяется. Поэтому при положении ручки селектора в положении «Движение вперед» разрешается переключаться на спортивный режим.

Что означает буква S на вариаторе?

S — аналог «овер драйва» или спорт режим, или O/D OFF кому как нравиться, суть- режим работы вариатора условно не выше третьей передачи.

Когда нужно включать спорт режим?

Включать эту позицию нужно только при достижении автомобилем скоростных режимов выше 80-100 км/ч. Благодаря ей можно существенно сэкономить расход топлива. Нужно знать, что переключение между этими дополнительными режимами допускается во время движения транспортного средства.

Как запомнить буквы на автомате?

Что означают буквы на коробке автомат (P, D, N, R и M)

1. R (Reverse) включает режим движения задним ходом.
2. 2 или 2L — движение вперед в режиме переключения коробки не выше второй передачи. …
3. 3 или D3 — переключение не выше третьей передачи. …
4. 4 или D4 — не выше четвертой передачи.

16.12.2019

Как работает машина на автомате?

Как работает автоматическая коробка передач?

1. В автомобилях с автоматом нет педали сцепления.
2. В автомобилях с автоматом не нужно переключать передачи. Как только Вы поставите селектор в положение Drive, переключение происходит автоматически.

15.04.2013

Как управлять автомобилем с автоматической коробкой передач?

Управлять движение автомобиля с автоматической коробкой передач следует одной ногой. Недопустимо одновременно жать педаль тормоза и педаль газа — это приведет к повреждению не только коробки передач, но и тормозной системы; Не стоит заниматься постоянным переключением селектора коробки передач.

Как не застрять в грязи,снегу,песке на автомате: 5 способов

Автомобили с коробкой автомат давно и успешно ездят по нашим дорогам. Их полюбили за удобство управления и комфорт. Многие владельцы таких машин ездят большую часть времени по асфальту. На бездорожье они опасаются застрять в грязи, снегу или на песке, считая, что для таких условий больше подходит авто на механике. Не будем устраивать длительных споров, отметим только, что многие любители поездить по бездорожью на джипах пользуются машинами с автоматической коробкой передач. По заявлениям профессиональных «джиперов», наличие у автомобиля коробки передач на классическом гидромеханическом автомате (например, такой установлен на кроссовер Renault Duster) не ухудшает его проходимость — нужно только правильно им пользоваться. Делимся советами и лайфхаками как вести себя за рулем, чтобы не застрять на таком авто.

1. Рыхлый снег, под которым лед
Подобные участки в городе часто встречаются на обочине, куда коммунальные службы сгребают снег. Для рыхлого снега у машин с автоматической коробкой есть специальные режимы: L и Snow. Первый используется для принудительного включения пониженной передачи и движения со скоростью до 20 км/ч, а второй – предотвращает проскальзывания колес на гололеде и в снегу.

Для преодоления такого участка необходимо переключить рычаг АКПП в положение Snow (иногда он обозначен снежинкой), плавно нажимая на газ, выехать. Желательно подобные участки преодолевать без остановок и сильных поворотов руля. Если необходимо выехать в раскачку, то выбирать нужно режимы Drive (для движения вперед) и Neutral (чтобы машина откатилась назад под собственным весом). Чего нельзя: резко газовать, долго буксовать и быстро переключать режимы D, N, R. Это не поможет выбраться, а только ухудшит положение и приведет к скорому выходу из строя коробки передач.

2. Колея из грязи на дороге.

Выехали на природу, а впереди на грунтовке лужи, грязь. Если объехать никак нельзя, то преодолеваем этот участок, не снижая скорости, без резких поворотов руля. По колее лучше не ездить, т.к. есть риск посадить автомобиль на днище.

Если у машины застряли передние или только задние колеса, то выбраться можно с помощью раскачивания. Данный способ для переднеприводных авто с коробкой автомат включает себя следующую последовательность действий:

• Переводим рычаг в положение D;
• Плавно нажимаем газ и начинаем движение;
• Достигнув крайней точки, в которой машина не едет, переключаем селектор в нейтральное положение;
• Автомобиль скатывается под собственным весом;
• В нижней точке переводим рычаг в позицию D и повторяем все действия до тех пор, пока не выберемся.

Если в грязи завязли все 4 колеса, тогда надо использовать подручные средства и силы: трос, доски, пассажиров, которые помогут вытолкать авто. С подобными проблемами редко сталкиваются владельцы полноприводного Renault Duster, который, обладая 2-литровым мотором и автоматической коробкой, демонстрирует хорошую проходимость в таких условиях. Доказательством этого являются испытание кроссовера журналом «За рулем» на грязевом полигоне Министерства Обороны в Прибалтике.

3. Застряли в снегу на парковке.

За ночь неожиданный снегопад мешает выехать, а идти домой за лопатой не хочется, да и нет ее? В таком случае наши действия:

• Для начала отключаем электронные помощники: ABS и систему курсовой устойчивости. Они нам не помогут;
• Включив заднюю передачу, двигаемся назад до тех пор, пока это возможно;
• Переводим АКПП в ручной режим и возвращаемся вперед. Потом переключаем передачу и сдаем назад.

Таким образом, в раскачку, можно выехать из снежного плена. Хорошо, если у машины высокий дорожный просвет, который поможет выбраться из заснеженной парковки с меньшими трудностями.
Чего делать не надо: одновременно нажимать на педаль тормоза и газа при включенном режиме D. Таким образом повышается нагрузка на коробку передач и растет риск ее поломки.

4. Песок.

Это одно из самых сложных препятствий, с которым можно столкнуться за рулем. Выезд летом на пляж, на рыбалку или поездки по лесу в прибрежной полосе требует от водителя повышенного внимания.Прежде всего, смотрим на песок и определяем: сырой или сухой. Если на нем видны следы от шин, то он влажный и двигаться нужно по колее. Если сухой и рыхлый, то двигаемся по нетронутым участкам, т.к. в колее из такого песка машина будет буксовать.

Застряли? Выходим из машины и смотрим насколько глубоко, какой песок под колесами. В данной ситуации пригодится подключаемый полный привод, включив который пытаемся сдать назад и выехать из плена. На переднеприводном авто стараемся освободить колеса: можно покрутить руль из стороны в сторону, отгрести песок подручными средствами и подложить под колеса твердое покрытие. Конечно, сейчас мало кто возит доски в багажнике, поэтому подойдут резиновые коврики из салона, но подкладывать их надо так, чтобы при первом движении колесо наехало на них.

5. Крутые подъемы, балки, преодоление препятствий.

Езда по пересеченной местности требует от машины высокого клиренса, хорошего обзора, правильной геометрии кузова и мощного мотора. Если горы в нашей области не встречаются, то оврагов, спусков и особенно различных балок – достаточно. При этом практически все грунтовые дороги проходят через них. Даже в хорошую погоду на легковом авто бывает не просто доехать, не говоря уже про поездку зимой или в межсезонье.
Если у вас Duster, то вряд ли подобные проблемы вам знакомы. Автомобиль имеет хорошие данные:

• дорожный просвет – 210 мм;
• угол въезда и съезда – 30 и 36 градусов;
• 2-литровый мотор и АКПП.

С такими характеристиками можно уверено чувствовать себя при поездках по пересеченной местности в Волгоградской области.

[1] Драйв

[2] Нейтраль

[3] Подробнее см. Renault Duster на военном полигоне и дорогах Прибалтики
 https://www.zr.ru/content/articles/901878-v-kaliningrad-cherez-pribaltiku/

[4] АБС

Что такое торможение двигателем и насколько оно безвредно

Что значит тормозить двигателем

Теперь разберемся с тем, как работает коробка передач, — это даст нам понять, почему тормозить двигателем можно только с переходом на пониженные передачи. При разгоне автомобиля в стандартном режиме коробка дозирует энергию согласно выбранной передаче, если у вас механика. На машине с автоматической коробкой это происходит само собой. Например, если вы едете на пониженной передаче (1-3), то на колеса передается много силы, при этом достичь высокой скорости не получится. На повышенных передачах (4-7) передаваемая на колеса мощность меньше, машина может двигаться быстрее, однако динамика разгона значительно хуже. При движении в таком режиме сопротивление двигателя и коробки минимально, возрастает роль инерции. Отсюда вывод: быстрый разгон возможен только на низких передачах. Если в этот момент перестать давить акселератор, возникнет существенное сопротивление инерции и машина быстро замедлится. Если проделать то же самое на высоких передачах, сброс скорости произойдет менее интенсивно.

Плюсы и минусы метода

Также торможение двигателем часто используется в горной местности при движении по серпантину, — в основном по причине значительного перегрева колодок вследствие их интенсивного использования. При возникновении нештатной ситуации, требующей быстрого реагирования, все же лучше давить на тормоз, а не тратить время на торможение двигателем, которое точно не поможет быстро остановиться.

В городе двигателем тормозят чаще всего из-за экономии топлива. Автолюбителей привлекает тот факт, что машина движется при отсутствии подачи топлива. При этом не истираются покрышки колес и тормозные колодки. На деле экономия оказывается незначительной, а ошибка в последовательности действий может испортить двигатель.

Метод нередко применяется, если тормоза вышли из строя. Конечно, в этом случае мы рекомендуем обращаться в сервис. Но если транспортировать автомобиль с помощью эвакуатора невозможно, некоторые смельчаки практикуют перемещение машины с использованием данного метода. Скорость замедляется с помощью переключения на пониженные передачи, далее машина останавливается посредством стояночного тормоза (ручника).

Основной недостаток торможения двигателем заключается в том, что стоп-сигналы в момент замедления не зажигаются, значит, идущие сзади автомобили могут не сразу заметить, что ваша машина снижет скорость, повышается риск возникновения аварийной ситуации. Однако гораздо печальней, что злоупотребление способом не лучшим образом сказывается на состоянии механизмов.

Вообще обратные нагрузки плохо переносятся двигателем. Надо понимать, что поршни современных моторов размещены несимметрично и при замедлении с помощью двигателя растут боковые нагрузки. Также повышается разряжение (давление становится ниже атмосферного) во впускном коллекторе, соответственно, увеличивается нагрузка на вентиляционную систему и могут возникнуть утечки. Масло перетекает прямо с распредвала во впускной коллектор. Смазка сочится через поршни прямо в цилиндры, а если машина оснащена турбиной, то еще и через нее. Избыточное масло скорее всего приведет к нагару свечей и порче поршневых колец, не говоря уже о засорении катализатора. В целом скачки давления отрицательно влияют на состояние элементов впуска. Загрязнение впускного коллектора тоже происходит по причине злоупотребления торможением двигателем. Это особенно вредно, если катализатор находится близко к коллектору.

Алгоритм действий

С машинами на механике все не так просто. Существует стандартный способ и с «прогазовкой». В первом случае водитель поступает следующим образом: отпускает педаль газа, нажимает сцепление, включает третью передачу, далее по мере падения скорости — вторую и первую. Если вы едете на высокой передаче, переход на пониженную следует делать только через третью передачу. Если сразу перейти на низкую, колеса могут заблокироваться и машину закрутит. Кроме того, излишняя нагрузка не лучшим образом скажется на двигателе и коробке.

Режим с «прогазовкой» считается более щадящим. Основное отличие в том, что перед переходом на пониженные передачи водитель выжимает сцепление, переводит коробку в нейтральное положение, немножко газует и только потом осуществляет переключение на пониженную передачу.

В любом случае, ни при каких условиях нельзя переходить с высокой передачи сразу на первую. Выжимать педаль сцепления следует максимально плавно и только тогда, когда обнаружится связь двигателя с трансмиссией.

Подведем итоги

МПО ЭЛЕКТРОМОНТАЖ. Электрика, электротовары, электрооборудование, свет, электротехника

Скидки

260.16 pуб.

Т1401. Труба EPT075 стальная 3/4″ Dвнеш=23,42 Dвнутр=20,93мм L=3000мм оцинкованная (Китай)

0.60 pуб.

Г2518. Наконечник НШВИ E0508 0,5-8 медный 0,5мм2 втулочный изолированный на 1 провод, ПВХ (Электромонтаж)

1 941.84 pуб. 1 674 pуб.

Р1601. Блок K6013UC на 3 розетки «евр» + 2хUSB угловой алюминий (Электромонтаж)

10.44 pуб.

Т2904. Трубка HD-2/HTS-8 8/4мм термоусаживаемая чёрная (Электромонтаж)

61 440.12 pуб.

И0680. Пресс-клещи HZ-60UNV гидравлические 10-300 кв.мм (Электромонтаж)

152.10 pуб. 141.60 pуб.

П1420. Кабель ВВГнг(А)-FRLS 3х2,5ок (N,PE)-0,66 ГОСТ малодым.огнест. (Калужский кабельный завод)

578.64 pуб.

М4562. Мини-муфта MJB113 гелевая 3х(0,2-4)кв.мм ответвит. с блоком зажимов IPX8 (ETELEC ITALIA)

947.34 pуб.

К0981. Коробка H9-C100 алюминиевая 100x100x60мм IP66 (Электромонтаж)

Наши новинки

20.88 pуб. 19.44 pуб.

Н6475. Брелок Mifare 1Кб бесконтактный серый AT-ID03-MF (Accordtec)

194.40 pуб. 184.38 pуб.

Е4050. Бокс EZ9EАB102 Easy9 XS навесной 2 модуля прозрачная дверь IP40 (Schneider Electric)

14.10 pуб. 13.14 pуб.

Н6478. Карта EM-Marine толщиной 0,84 мм AT-ID02-EM (Accordtec)

689.40 pуб. 633.96 pуб.

А0745. Автоматический выключатель Resi9 R9F02163 В63А/1п/ 6,0кА на Din-рейку (Schneider Electric)

Новости

30.09

Хомуты-«липучки». Лента Велькро от Fortisflex

20.08

Светильники на солнечной батарее

10.08

Расширение ассортимента.

03.08

Готовый безмуфтовый комплект стержневого заземления

Как переключать передачи на квадроцикле — ATVARMOR

Любая колесная техника — от велосипеда и до многотонной фуры — имеет в своем устройстве трансмиссию: систему, передающую вращение от двигателя к колесам. Работой трансмиссии — а значит, и скоростью езды — можно управлять, переключая передачи. 

В каждом виде транспорта переключение передач организовано по-разному. В статье ниже мы расскажем, как именно нужно переключать передачи на квадроциклах, и какие КПП встречаются на такой технике. 

Коробки передач у квадроциклов могут быть двух видов: 

1. Механические. Аналогичны КПП у мотоциклов. Ставятся в основном на гоночные модели, но в последние годы начинают встречаться и на утилитарных квадроциклах. Имеют ножное сцепление или сцепление с рычагом на руле (в большинстве случаев именно такое), и ножной рычаг переключения передач. МКПП имеет обычно 4 «передних» передачи, нейтралку и задний ход.  
2. Вариаторные. Имеют повышенную и пониженную (L и H) передние передачи, нейтралку, задний ход и парковочный тормоз. У некоторых квадроциклов (самых дешевых и маломощных) передняя передача может быть только одна. Выжимать сцепление для переключения не нужно. 

Редко и в основном в старых моделях, но можно встретить и другие вариации. Например — «автомат» с возможностью ручного переключения передач. 

Квадроциклами с МКПП управлять чуть сложнее (по крайней мере поначалу, пока не выработается привычка), но зато можно точнее выбирать подходящий режим. И наоборот: вариаторные «коробки» намного проще в эксплуатации, их легко освоить новичку, который впервые садится за руль квадроцикла. Но зато при активной езде по маршруту с переменной сложностью ехать на вариаторе будет чуть менее удобно. 

Например: вы едете по ровной укатанной грунтовке на H, и видите впереди большой участок раскисшей дороги с глубокой грязью (или крутой подъем, или кочки, или камни). Придется полностью останавливаться и переключаться на L, проезжать грязь, а выехав обратно на сухую дорогу — снова полностью останавливаться, и переключаться обратно на H. 

У квадроциклов с МКПП для переключения передач есть ножной рычаг слева, как у мотоциклов, и ручной рычаг сцепления на руле слева. 

Устройство ножного рычага может быть двух видов: 

1. Один рычаг. Переключение передач осуществляется носком ноги, нажатием на рычаг сверху вниз (передачи от 1 и выше) или снизу вверх — от большей передачи к меньшей.
2. Два рычага. Переключение передач осуществляется пяткой и носком левой стопы. Задний рычаг переключает передачи вверх, передний рычаг — вниз.  

Само переключение выполняется так же, как и на мотоциклах: 

1. Заводим квадроцикл (при этом всегда включена нейтральная или парковочная передача). 
2. Полностью выжимаем сцепление. 
3. Ногой нажимаем на рычаг переключения передач, выбрав первую скорость. 
4. Слегка придавливаем курок газа и одновременно плавно отпускаем рычаг сцепления. При обучении на любом виде транспорта с МКПП (легковой автомобиль, мотоцикл, грузовик) этот пункт — самый сложный, и его можно только наработать практикой, уловив баланс в работе со сцеплением и газом. Если у вас есть опыт езды на любом транспорте с МКПП — на квадроцикле с такой коробкой освоитесь быстро. 
5. Полностью отпустив сцепление, двигаемся только с помощью газа, прибавляя или убавляя его (и по необходимости притормаживая ножным или ручным тормозом). 
6. Набрав скорость — снова выжимаем сцепление, и ногой включаем следующую передачу. 
7. Жмем курок газа и плавно отпускаем сцепление. 
8. Повторяем пункты 6-7 для дальнейшего повышения передач.
9. Если передачу нужно снизить — действуем в том же порядке: выжимаем сцепление, и жмем ногой рычаг КПП для уменьшения передачи. 

Когда именно переключать скорости вверх и вниз — определяется по тахометру, скорости движения, сложности дороги, весу взятого груза и характеристикам самого квадроцикла (мощность, вес).  

Вариаторные КПП у квадроциклов встречаются намного чаще. Сцепление в них выжимать не нужно, а «режим» езды вперед выбирается из двух (чаще всего) вариантов: на повышенной (подходит для езды по несложному маршруту) или на пониженной (для сложных участков, крутых подъемов и буксировки) передачах. 

Важное отличие от езды на МКПП: переключение между L и H осуществляется только при полной остановке квадроцикла, с выжатым тормозом. Для выбора режима надо передвинуть ручку в нужное положение. Переключаться между L и H на ходу — нельзя. 

Остальные передачи — парковочная, нейтральная и задний ход — естественно, тоже включаются при стоящем на месте квадроцикле.

Зачем на автомате пониженные передачи

Сегодня на автоматические коробки передач большой спрос. Значительно больше, чем в 90-е годы. Люди «раскусили» их и больше не боятся каких-то мифических отказов. В общем, с «автоматом» подружились. Но так ли он прост?

АКПП выручит в пробках, она хороша в ситуациях, когда необходимо полностью сосредоточиться на дороге, хотя, опытному водителю и «механика» не помешает сконцентрироваться. У МКПП вообще множество плюсов: она экономичнее, а, главное, позволяет водителю лучше чувствовать машину — как на ровных участках, так и на горном серпантине. Если, например, на третьей передаче не хватает тяги, то можно быстро перейти на вторую, правда, не исключен перерасход топлива.

Но, может быть, здесь «автомат» более выгоден? Может, если у него есть режим пониженной передачи. Если вы часто ездите, пусть даже по умеренному бездорожью, при покупке автомобиля стоит обратить внимание на наличие у него подобной функции.

Тут все просто: если вы видите рядом с селектором КПП литеру L, которая как раз и обозначает «понижайку», то все в порядке. Оказавшись на неважнецкой дороге, например, на песке, в снегу или на скалистой местности, а также на затяжном подъеме, вы теперь имеете палочку-выручалочку. Активируя режим L, вы добиваетесь оптимальной тяги, которая позволит проходить сложные участки, не перегружая двигатель.

У этого «автомата» есть ручной режим управления.

Обратите внимание: современные АКПП стали значительно сообразительнее своих предшественниц, ведь кроме пониженной передачи у них есть и другие режимы работы. Например, спортивный, который хорош на загородных трассах, а в пробках очень подойдет режим не выше первой передачи (на скоростях до 25 км/ч).

Конечно, «автомат» сложнее «механики», и это надо учитывать при его эксплуатации. Не все АКПП нормально воспринимают повышенные нагрузки, потому, прежде, чем сесть за руль, неплохо бы поинтересоваться особенностями той коробки, которая установлена на вашем авто.

Текст: Александр Валентинов
Фото: Интернет-ресурсы

machine de montage — английский перевод — Linguee

Символы на стиральной машине: руководство

Слышали ли вы когда-нибудь поговорку о том, что не бывает глупых вопросов? Это определенно верно, когда речь идет об интерпретации символов на вашей стиральной машине!

Несмотря на то, что во всем модельном ряду стиральных машин существует ряд единообразий, стоит потратить несколько минут, чтобы узнать больше о настройках вашей отдельной машины и о том, как именно предполагается использовать каждую программу.

Чтобы получить более общее руководство, просто обратитесь к нашему руководству ниже.

Для получения наиболее точных указаний о значении символов на стиральной машине обратитесь к руководству по эксплуатации. Если вы потеряли бумажную копию, зайдите в Интернет и найдите руководство для своей модели

Еще раз проверьте свое руководство. Каждая машина уникальна, и если вы хотите получить от нее максимум, важно знать, как лучше всего ее использовать.После покупки стиральной машины стоит потратить несколько минут на то, чтобы научиться ею правильно пользоваться.

Вы заметите несколько циферблатов на панели управления вашей машины, независимо от марки:

• Самый большой циферблат будет для типа стирки. Могут быть варианты тканей, таких как хлопок, цветные, синтетические, спортивной одежды, шерсти, штор и т. Д.

• Другой будет для температуры, обычно в пределах 30-90. При настройке учитывайте тип одежды, которую вы стираете, и качество моющего средства.Для более полной стирки может потребоваться хорошее биологическое моющее средство, такое как Persil Bio Caps, для полной очистки одежды.

• Третий диск, если он у вас есть, обычно предназначен для управления циклом сушки и отжима с точки зрения сушки и / или количества времени, в течение которого вы хотите, чтобы ваша одежда переворачивалась. Возможны следующие варианты: сушка, влажность (подходит для последующей глажки) и без отжима. Очень важно выбрать подходящую настройку для стирки типа ткани. Сушка — это то место, где многие вещи теряют форму или размер, поэтому будьте осторожны!

Символы на стиральной машине вокруг циферблатов будут соответствовать списку опций на панели, которые обычно пронумерованы.Просто выберите, какой цикл стирки подходит для загрузки, поверните циферблат, чтобы указать свой выбор, добавьте моющее средство и нажмите «Старт»!

Большинство машин отображают количество времени, необходимое для стирки, чтобы вы знали, когда вернуться и забрать одежду или начать процесс сушки. Скорее всего, будут другие, меньшие кнопки, для отдельных опций, таких как эко-стирка, временная задержка и всемогущая кнопка включения / выключения.

После того, как вы подготовили одежду и выбрали оптимальный цикл стирки, температуру и отжим, пора добавить то, что вашей одежде необходимо, чтобы она стала чистой: моющее средство, кондиционер для ткани и предварительная стирка!

Когда дело доходит до размещения этих продуктов в нужном месте, общие рекомендации включают три символа:

Меньшая часть предназначена для кондиционера для ткани, большая — для стирального порошка или жидкости, а третья (если есть) — для предварительной подготовки. -лечение.Для получения дополнительной информации о дозировке ознакомьтесь с нашим руководством о том, где (и когда) добавлять продукты.

Теперь, когда у вас есть лучшее представление о том, как переводить язык стиральной машины, вы сможете лучше использовать настройки и выбирать символы стиральной машины, которые лучше всего подходят для вашей одежды!

Почему мы используем модели черного ящика в искусственном интеллекте, когда в этом нет необходимости? Урок объяснимого соревнования по искусственному интеллекту · Выпуск 1.2, осень 2019

В 2018 году произошла важная задача в области искусственного интеллекта (ИИ), а именно, задача объяснимого машинного обучения.Целью конкурса было создать сложную модель черного ящика для набора данных и объяснить, как это работает. Одна команда не соблюдала правила. Вместо того, чтобы отправить черный ящик, они создали модель, которую можно было полностью интерпретировать. Это приводит к вопросу о том, похож ли реальный мир машинного обучения на Explainable Machine Learning Challenge, где модели черного ящика используются даже тогда, когда они не нужны. Мы обсуждаем мыслительные процессы этой команды во время соревнований и их последствия, которые выходят далеко за рамки самого соревнования.

Ключевые слова: интерпретируемость, объяснимость, машинное обучение, финансы

В декабре 2018 года сотни ведущих компьютерных ученых, финансовых инженеров и руководителей запихнулись в комнату в Монреальском конференц-центре на ежегодном мероприятии Neural Information Processing Systems (NeurIPS), чтобы узнать о результатах Explainable Machine Learning Challenge, престижного конкурса, организованного совместно Google, Fair Isaac Corporation (FICO) и учеными из Беркли, Оксфорда, Империала, Калифорнийского университета в Ирвине и Массачусетского технологического института.Это было первое соревнование по науке о данных, которое отразило необходимость разобраться в результатах, рассчитанных с помощью моделей черного ящика, которые доминируют в процессе принятия решений на основе машинного обучения.

За последние несколько лет достижения в области глубокого обучения для компьютерного зрения привели к широко распространенному убеждению, что наиболее точные модели для любой данной задачи науки о данных должны быть по своей сути непонятными и сложными. Это убеждение проистекает из исторического использования машинного обучения в обществе: его современные методы были рождены и созданы для принятия невысоких решений, таких как онлайн-реклама и веб-поиск, когда индивидуальные решения не оказывают глубокого влияния на человеческие жизни.

В машинном обучении эти модели черного ящика создаются непосредственно из данных с помощью алгоритма, а это означает, что люди, даже те, кто их разрабатывает, не могут понять, как переменные комбинируются, чтобы делать прогнозы. Даже если у вас есть список входных переменных, прогностические модели черного ящика могут быть настолько сложными функциями переменных, что ни один человек не может понять, как переменные совместно связаны друг с другом, чтобы достичь окончательного прогноза.

Интерпретируемые модели, которые обеспечивают технически эквивалентную, но, возможно, более этичную альтернативу моделям черного ящика, отличаются — они ограничены, чтобы обеспечить лучшее понимание того, как делаются прогнозы.В некоторых случаях можно очень четко указать, как переменные совместно связаны для формирования окончательного прогноза, когда, возможно, только несколько переменных объединены в коротком логическом утверждении, или с использованием линейной модели, где переменные взвешиваются и складываются. Иногда интерпретируемые модели состоят из более простых моделей, собранных вместе (разлагаемых), или на модель накладываются другие ограничения, чтобы добавить новый уровень понимания. Однако большинство моделей машинного обучения не имеют ограничений интерпретируемости; они просто созданы для того, чтобы быть точными предикторами для статического набора данных, которые могут или не могут представлять, как модель будет использоваться на практике.

Убеждение, что точность должна быть принесена в жертву интерпретируемости, неточно. Это позволило компаниям выводить на рынок и продавать собственные или сложные модели черного ящика для принятия решений с высокими ставками, когда для тех же задач существуют очень простые интерпретируемые модели. Таким образом, это позволяет создателям модели получать прибыль, не учитывая вредных последствий для пострадавших людей. Мало кто сомневается в этих моделях, потому что их дизайнеры утверждают, что модели должны быть сложными, чтобы быть точными.Explainable Machine Learning Challenge 2018 служит примером для рассмотрения компромиссов предпочтения моделей черного ящика интерпретируемым.

Перед объявлением победителей конкурса аудиторию, состоящую из влиятельных игроков в сферах финансов, робототехники и машинного обучения, попросили провести мысленный эксперимент, в котором они были больны раком и нуждались в операции по удалению опухоли. . На экране были отображены два изображения. На одном изображении был изображен хирург-человек, который мог рассказать что-нибудь об операции, но имел 15% шанс вызвать смерть во время операции.На другом изображении была показана роботизированная рука, которая могла выполнить операцию с вероятностью неудачи всего 2%. Робот предназначался для моделирования подхода «черный ящик» к искусственному интеллекту (ИИ). В этом сценарии требовалось полное доверие к роботу; К роботу нельзя было задавать никаких вопросов, и не было предоставлено никакого конкретного понимания того, как он пришел к своим решениям. Затем аудитории попросили поднять руку, чтобы проголосовать за кого из двоих они предпочли бы сделать операцию по спасению жизни. Все, кроме одной руки, проголосовали за робота.

Хотя может показаться очевидным, что вероятность смерти в 2% лучше, чем вероятность смерти в 15%, такое определение ставок систем ИИ скрывает более фундаментальное и интересное соображение: Почему робот должен быть черным ящиком ? Потерял бы робот способность выполнять точную операцию, если бы ему было разрешено объяснять себя? Разве улучшение связи между роботом и пациентом или врачом не улучшило бы уход за пациентом, а не уменьшило бы его? Разве пациенту не нужно было объяснять роботу, что у него нарушение свертываемости крови до операции?

Возможность того, что робот не обязательно должен быть черным ящиком, не была представлена ​​как вариант, и аудитории семинара был предоставлен только выбор между точным черным ящиком и неточным стеклянным ящиком.Зрителям не сказали, как измеряется точность результатов хирургических операций (в какой популяции измерялись 2% и 15%?), И не рассказывали о потенциальных недостатках в наборе данных, который использовался для обучения робота. Предполагая, что точность должна достигаться за счет интерпретируемости (способности понять, почему хирург делает то, что он делает), этот мысленный эксперимент не учел, что интерпретируемость может не повредить точности. Интерпретируемость может даже повысить точность, поскольку она позволяет понять, когда модель, в данном случае робот-хирург, может быть неправильной.

Просить выбрать точную машину или понятного человека — ложная дихотомия. Понимание этого как такового помогает нам диагностировать проблемы, возникшие в результате использования моделей черного ящика для принятия важных решений во всем обществе. Эти проблемы существуют в финансах, а также в здравоохранении, уголовном правосудии и не только.

Приведем некоторые доказательства того, что это предположение (что мы всегда должны жертвовать некоторой интерпретируемостью, чтобы получить наиболее точную модель) неверно.В системе уголовного правосудия неоднократно демонстрировалось (Angelino, Larus-Stone, Alabi, Seltzer, & Rudin, 2018; Tollenaar & van der Heijden, 2013; Zeng, Ustun, & Rudin, 2016), что сложные модели черного ящика для прогнозирование будущего ареста ничуть не точнее, чем очень простые модели прогнозирования, основанные на возрасте и криминальном прошлом. Например, интерпретируемая модель машинного обучения для прогнозирования повторного ареста, созданная в работе Анджелино и др. (2018), рассматривает лишь несколько правил, касающихся возраста и криминального прошлого человека.Полная модель машинного обучения выглядит следующим образом: если человек совершил> 3 предыдущих преступлений, или ему 18–20 лет и мужчина, или 21–23 года и он совершил два или три предыдущих преступления, ожидается, что он будет повторно арестован. в течение двух лет с момента их оценки, и иначе нет. Хотя мы не обязательно выступаем за использование этой конкретной модели в условиях уголовного правосудия, этот набор правил так же точен, как широко используемая (и запатентованная) модель черного ящика под названием COMPAS (Профилирование исправительных правонарушителей для альтернативных санкций), используемая в Broward Каунти, Флорида (Анджелино и др., 2018).

Приведенная выше простая модель также точна, как и многие другие современные методы машинного обучения (Angelino et al., 2018). Аналогичные результаты были получены для методов машинного обучения, примененных ко многим различным типам задач прогнозирования повторного останова на других наборах данных: интерпретируемые модели (которые были очень маленькими линейными моделями или логическими моделями в этих исследованиях) выполнялись так же хорошо, как и более сложные (черный ящик) модели машинного обучения (Zeng et al., 2016). Похоже, что нет доказательств пользы от использования моделей черного ящика для прогнозирования криминального риска.Фактически, могут быть недостатки в том, что эти черные ящики труднее устранять, доверять и использовать.

Также не видно преимущества в точности для моделей черного ящика в нескольких областях здравоохранения и во многих других приложениях машинного обучения с высокими ставками, в которых принимаются решения, изменяющие жизнь (например, Caruana et al., 2015; Razavian et al., 2015; Rudin & Ustun, 2018, которые все демонстрируют модели с ограничениями интерпретируемости, которые работают так же хорошо, как и модели без ограничений).Напротив, модели черного ящика могут замаскировать множество возможных серьезных ошибок (например, см. Рудин, 2019). Даже в компьютерном зрении, где глубокие нейронные сети (самый сложный для объяснения вид модели черного ящика) являются последними, мы и другие ученые (например, Chen et al., 2019; Y. Li et al. ., 2017; L. Li, Liu, Chen, & Rudin, 2018; Ming, Xu, Qu, & Ren, 2019) нашли способы добавить ограничения интерпретируемости к моделям глубокого обучения, что привело к более прозрачным вычислениям. Эти ограничения интерпретируемости не произошли за счет точности даже для глубоких нейронных сетей для компьютерного зрения.

Доверие модели черного ящика означает, что вы доверяете не только уравнениям модели, но и всей базе данных, из которой она была построена. Например, в сценарии с роботом и хирургом, не зная, как были оценены 2% и 15%, мы должны подвергнуть сомнению актуальность этих чисел для какой-либо конкретной подгруппы медицинских пациентов. Каждый достаточно сложный набор данных, который мы видели, содержит недостатки. Они могут варьироваться от огромных объемов отсутствующих данных (которые не пропадают случайно) или неизмеряемых искажений до систематических ошибок в наборе данных (например,g., неправильное кодирование лекарств), к проблемам сбора данных, которые приводят к тому, что распределение данных отличается от того, что мы думали изначально.

Одной из таких распространенных проблем с моделями черного ящика в медицинских учреждениях является утечка данных, когда некоторая информация о метке y проникает в переменные x таким образом, что вы можете не подозревать, глядя на заголовки и описания переменные: иногда вы думаете, что предсказываете что-то в будущем, но вы обнаруживаете только то, что произошло в прошлом.При прогнозировании медицинских результатов машина может собирать информацию в записях врачей, которая раскрывает результаты лечения пациентов до того, как они будут официально зарегистрированы, и, следовательно, ошибочно объявлять их успешными.

Пытаясь учесть широко распространенное беспокойство по поводу непрозрачности моделей черного ящика, некоторые ученые пытались предложить их объяснения, гипотезы о том, почему они принимают решения, которые они принимают. Такие объяснения обычно пытаются либо имитировать прогнозы черного ящика, используя совершенно другую модель (возможно, с другими важными переменными, маскируя то, что на самом деле может делать черный ящик), либо они предоставляют другую статистику, которая дает неполную информацию о вычислении черного ящика. .Такие объяснения являются поверхностными или даже пустыми, поскольку они расширяют полномочия черного ящика, а не признают, что в нем нет необходимости. Иногда эти объяснения ошибочны.

Например, когда журналисты ProPublica пытались объяснить, что было в патентованной модели COMPAS для прогнозирования рецидивов (Angwin et al., 2016), они, похоже, ошибочно предположили, что если бы можно было создать линейную модель, которая приближалась к COMPAS и зависела от расы, возраста и криминального прошлого, что сам COMPAS должен зависеть от расы.Однако при приближении КОМПАС с использованием нелинейной модели явная зависимость от расы исчезает (Rudin, Wang, & Coker, 2019), оставляя зависимость от расы только по возрасту и криминальному прошлому. Это пример того, как неправильное объяснение черного ящика может выйти из-под контроля. Возможно, если бы система правосудия использовала только интерпретируемые модели (которые мы и другие продемонстрировали в равной степени точными), журналисты ProPublica смогли бы написать другую историю.Возможно, например, они могли бы написать о том, как часто возникают типографские ошибки в этих оценках, без очевидного способа их устранения, что приводит к непоследовательному изменению жизни решений в системе правосудия (см., Например, Rudin et al., 2019) .

Но вернувшись на конференцию NeurIPS 2018 года, в комнате, полной экспертов, которые только что предпочли робота хирургу, диктор приступил к описанию соревнований. FICO предоставил набор данных по кредитной линии собственного капитала (HELOC), который содержит данные тысяч анонимных лиц, включая аспекты их кредитной истории и факт дефолта по ссуде.Целью конкурса было создание модели черного ящика для прогнозирования дефолта по ссуде, а затем объяснение черного ящика.

Можно было бы предположить, что для соревнования, которое требует от участников создания черного ящика и объяснения его, задаче на самом деле потребуется черный ящик. Но этого не произошло. Еще в июле 2018 года, когда команда Duke получила данные, поиграв с ними всего неделю или около того, мы поняли, что можем эффективно анализировать данные FICO без черного ящика. Независимо от того, использовали ли мы глубокую нейронную сеть или классические статистические методы для линейных моделей, мы обнаружили, что разница в точности между методами составляет менее 1%, что находится в пределах погрешности, вызванной случайной выборкой данных.Даже когда мы использовали методы машинного обучения, которые предоставили очень интерпретируемые модели, мы смогли достичь точности, соответствующей лучшей модели черного ящика. В тот момент мы были озадачены, что делать. Должны ли мы играть по правилам, предоставить судьям черный ящик и попытаться объяснить это? Или мы должны предоставить прозрачную интерпретируемую модель? Другими словами, что вы делаете, когда обнаруживаете, что попали в ложную дихотомию робота и хирурга?

Наша команда решила, что для такой важной проблемы, как кредитная оценка, мы не будем предоставлять черный ящик команде судей только с целью ее объяснения.Вместо этого мы создали интерпретируемую модель, которую, как мы думали, сможет понять даже клиент банка с небольшим математическим образованием. Модель была разложена на разные мини-модели, каждая из которых могла быть понятна отдельно. Мы также создали дополнительный интерактивный инструмент онлайн-визуализации для кредиторов и частных лиц. Игра с факторами кредитной истории на нашем веб-сайте позволит людям понять, какие факторы были важны для принятия решений по заявке на получение кредита. Никакого черного ящика.Мы знали, что таким образом мы, вероятно, не выиграем соревнование, но нам нужно было сделать более важный вывод.

Можно подумать, что существует множество приложений, в которых интерпретируемые модели не могут быть такими же точными, как модели черного ящика. В конце концов, если вы можете построить точную интерпретируемую модель, зачем тогда использовать черный ящик? Однако, как показала проблема объяснимого машинного обучения, на самом деле существует множество приложений, в которых люди не пытаются построить интерпретируемую модель, потому что они могут полагать, что для сложного набора данных интерпретируемая модель не может быть такой точной, как черный ящик.Или, возможно, они хотят сохранить модель как собственную. Тогда можно было бы подумать, что если можно построить интерпретируемые модели глубокого обучения для компьютерного зрения и анализа временных рядов (например, Chen et al., 2019; Y. Li et al., 2017; O. Li et al., 2018; Ming et al., 2019), то стандарт следует изменить с предположения, что интерпретируемые модели , а не существуют, на предположение, что они соответствуют , пока не будет доказано обратное.

Кроме того, когда ученые поймут, что они делают при построении моделей, они смогут создавать системы ИИ, которые лучше подходят для людей, которые на них полагаются.В этих случаях так называемый компромисс между точностью и интерпретируемостью оказывается ошибкой: более интерпретируемые модели часто становятся более (а не менее) точными.

Ложная дихотомия между точным черным ящиком и не очень точной прозрачной моделью зашла слишком далеко. Когда сотни ведущих ученых и руководителей финансовых компаний введены в заблуждение этой дихотомией, представьте, как можно обмануть и остальной мир. Последствия серьезны: это влияет на функционирование нашей системы уголовного правосудия, наших финансовых систем, наших систем здравоохранения и многих других сфер.Давайте настаиваем на том, чтобы мы не использовали модели машинного обучения черного ящика для принятия решений с высокими ставками, если не может быть построена интерпретируемая модель, которая обеспечивает такой же уровень точности. Возможно, всегда можно построить интерпретируемую модель — мы просто не пытались это сделать. Возможно, если бы мы это сделали, мы бы вообще никогда не использовали черные ящики для принятия таких важных решений.

1. Веб-сайт Explainable Machine Learning Challenge находится здесь: https://community.fico.com/s/explainable-machine-learning-challenge

2. Эта статья основана на опыте Рудина, участвовавшего в Explainable Machine Learning 2018 Вызов.

3. Читатели могут поиграть с нашим интерактивным заявлением о конкурсе здесь: http://dukedatasciencefico.cs.duke.edu

4. По оценке организаторов конкурса, наша работа действительно не выиграла конкурс. Судьям вообще не разрешалось взаимодействовать с нашей моделью и ее инструментом визуализации; после истечения крайнего срока подачи заявок было решено, что судьям не будут предоставляться интерактивные визуализации. Тем не менее, FICO провела свою собственную отдельную оценку конкурсных работ, и наша заявка получила хорошие оценки, получив награду FICO Recognition Award для конкурса.Вот объявление победителей FICO:

   https://www.fico.com/en/newsroom/fico-announces-winners-of-inaugural-xml-challenge?utm_source=FICO-Community&utm_medium=xml-challenge-page

5. Насколько известно авторам, мы были единственной командой, которая предоставила интерпретируемую модель, а не черный ящик.

Анджелино, Э., Ларус-Стоун, Н., Алаби, Д., Зельцер, М., и Рудин, К. (2018). Изучение гарантированно оптимальных списков правил для категориальных данных. Journal of Machine Learning Research, 18 (234), 1-78.

Каруана, Р., Лу, Ю., Герке, Дж., Кох, П., Штурм, М., и Эльхадад, Н. (2015). Понятные модели для здравоохранения: прогнозирование риска пневмонии и 30-дневная повторная госпитализация в больницу. Материалы 21-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных , ACM, Сидней, Новый Южный Уэльс, Австралия, 721–1730.

Чен, К., Ли, О., Барнетт, А., Су, Дж., И Рудин, К. (2019). Это выглядит так: Глубокое обучение для распознавания интерпретируемых изображений.Ванкувер, Канада, Достижения в системах обработки нейронной информации .

Ли, О., Лю, Х., Чен, К., и Рудин, К. (2018). Глубокое обучение для обоснования рассуждений на основе прототипов: нейронная сеть, которая объясняет свои прогнозы. Тридцать вторая конференция AAAI по искусственному интеллекту (AAAI-18), Новый Орлеан, Луизиана, 3530–3587.

Ли Ю., Муриас М., Майор С., Доусон Г., Дзираса К., Карин Л. и Карлсон Д. Э. (2017). Ориентация на синхронизацию ЭЭГ / LFP с нейронными сетями. Достижения в системах обработки нейронной информации , Монреаль, Канада, 4620–4630.

Мин, Ю., Сюй, П., Цюй, Х., и Рен, Л. (2019). Обучение интерпретируемой и управляемой последовательности с помощью прототипов. Материалы 25-й Международной конференции ACM SIGKDD по открытию знаний и интеллектуальному анализу данных, Анкоридж, Аляска, 903–913.

Разавиан, Н., Блеккер, С., Шмидт, А. М., Смит-МакЛаллен, А., Нигам, С., и Зонтаг, Д. (2015). Прогнозирование диабета 2 типа на уровне населения на основе данных заявлений и анализа факторов риска. Big Data, 3, 277–287.

Ангвин, Дж., Ларсон, Дж., Матту, С. и Киршнер, Л. Машинное смещение. ProPublica, https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing, по состоянию на 23 мая 2016 г.

Рудин С. (2019). Прекратите объяснять модели машинного обучения черного ящика для принятия серьезных решений и вместо этого используйте интерпретируемые модели. Nature Machine Intelligence, 1 , 206–215.

Рудин, К., & Устун, Б. (2018).Оптимизированные системы подсчета очков: к доверию к машинному обучению для здравоохранения и уголовного правосудия. Интерфейсы, 48, 449–466.

Рудин, К., Ван, К., и Кокер, Б. (2019). Эпоха секретности и несправедливости в прогнозировании рецидивов. Harvard Data Science Review (в печати).

Толленаар Н. и ван дер Хейден П. Г. М. (2013). Какой метод лучше всего предсказывает рецидивизм? Сравнение статистических моделей, моделей машинного обучения и интеллектуального анализа данных. Журнал Королевского статистического общества, серия A: Статистика в обществе, 176 , 565–584.

Цзэн Дж., Устун Б. и Рудин К. (2016). Интерпретируемые классификационные модели для прогнозирования рецидивов. Журнал Королевского статистического общества, серия A: Статистика в обществе, 180, 689–722.

Эта статья принадлежит Синтии Рудин и Джоанне Радин © 2019. Статья находится под международной лицензией Creative Commons Attribution (CC BY 4.0) ( https://creativecommons.org/licenses/by/4.0/legalcode ), если иное не указано в отношении конкретных материалов, включенных в статья.Статья должна быть отнесена к авторам, указанным выше.

Международная компания по производству бумажных коробок, Филип Д. Лабомбарде и Раймонд А. Лабомбарде, истцы, заявители, против Specialty Automatic Machine Corporation и Machinery Rebuilders, Inc. (ведущие бизнес как Maverick Box Machinery Company), ответчики, перекрестные апеллянты , 414 F.2d 1254 (1st Cir. 1969) :: Justia

Это встречные апелляции по иску о нарушении патентных прав. Истец-апеллянт International Paper Box Machine Company является владельцем путем уступки двух патентов в иске — патента США No.Re. 25,792 (переизданный патент, основанный на первоначально выданном патенте № 3 070 457) и патент США № 3 202 532. Эти патенты были выданы двум другим истцам-апеллянтам Филиппу Д. Лабомбарде и Раймонду А. Лабомбарде, которые являются братьями, высокопоставленными должностными лицами и держателями контрольных пакетов акций International. В дальнейшем все истцы будут называться «Международные». Ответчик-апеллянт и кросс-апеллянт Specialty Automatic Machine Corporation и Machinery Rebuilders, Inc. производят машины для нанесения покрытий на бумажные коробки, в то время как ответчик-апеллянт и кросс-апеллянт Maverick Box Machinery Company продает такие машины по эксклюзивному соглашению со Specialty.Ответчики-апеллянты и встречные апеллянты в дальнейшем будут совместно именоваться «Специализированные».

Разберем каждый патент отдельно.

Патент Филипа Лабомбарде, № Re. 25 792.

Этот патент распространяется на машину для производства глянцевых картонных заготовок с восковым покрытием, используемых для изготовления бумажных коробок. Поверхность из воска не только делает коробки водонепроницаемыми, но и придает коробкам привлекательный внешний вид, привлекательный для потребителей. Высокий блеск достигается повторным нагревом ранее нанесенного нагретого воскового покрытия с последующим закалочным потоком охлаждающей жидкости из низкого водопада.Повторный нагрев приводит к переплавлению и разжижению слоя воскового покрытия на верхней стороне заготовки коробки до зеркальной ванны, в то время как закалка приводит к затвердеванию переплавленного и разжиженного слоя без его маркировки.

Хотя Филип Лабомбарде ранее проводил некоторые эксперименты с концепцией повторного нагрева и закалки для получения высокого блеска, появление и успех процесса Glamakote (разработанный другим производителем) в 1957 и 1958 годах побудили его сосредоточиться. его усилия по получению блеска, сравнимого с тем, что достигается Glamakote. К середине 1959 года International разработала коммерческую машину для нанесения покрытия на бумажные коробки, включающую концепцию повторного нагрева и закалки. Эта конструкция включает водяной бокс шлюзного типа, то есть прямоугольный водяной ящик, который имеет отверстие рядом с его дном или внизу и полку, расположенную по существу рядом с таким отверстием. Водопад образовался из-за того, что вода в ящике протекала через отверстие, а затем падала с полки под действием единственной силы тяжести.

International впервые продала шлюзовую машину модели PL-019 Берду и Флетчеру 5 августа 1959 года.28 декабря 1959 года Филип Лабомбарде впервые подал заявку на патент, раскрывающую его структуру тушения с низким водопадом при повторном нагреве. Патент был выдан 25 декабря 1962 года. Патент 1962 года, однако, как было позже обнаружено, не описывал точно машину Берда и Флетчера, потому что в этой машине отсутствовал элемент — «зона сглаживания 23» — патента.

Между тем, в 1958–1959 годах компания Oakland Paper Box Company, как и Филип Лабомбарде, также работала над разработкой машины для нанесения воскового покрытия на заготовки бумажных коробок.Окленду удалось преобразовать более раннюю машину International в машину, в которой использовалась конструкция для предварительного нагрева в сочетании со структурой для закалки погружением в воду. 29 сентября 1960 г. Окленд отправил аналогичную машину компании Waldorf-Paper Products. У Уолдорфа, однако, возникли некоторые трудности с этой машиной, и, по предложению Уолдорфа, Окленд в январе 1961 г. начал эксперименты с машинами, использующими перенаправленное тепло и шлюз. закалочного устройства под некоторым давлением. В период с июня по октябрь 1961 года Окленд продала 14 машин, в которых использовалась структура закалки с подогревом и водопадом.В октябре 1961 года Specialty Automatic Machine Company заключила соглашение с Оклендом о покупке прав на производство машины. Вскоре после этого Specialty и Maverick заключили эксклюзивное соглашение о производстве и продаже, и в апреле 1962 года Specialty продала свою первую машину.

В январе 1963 г. International уведомила Specialty о нарушении недавно выданного (декабрь 1962 г.) патента. Затем Specialty перестала использовать водосливные резервуары, превратившись в водосливные резервуары — резервуары круглой формы в поперечном сечении, один квадрант которых был открыт вверху, чтобы вода могла выливаться через полку, прикрепленную к краю.В мае 1963 года поверенные Specialty уведомили International, что это преобразование было произведено во избежание нарушения. К ноябрю 1963 года все машины, продаваемые как Specialty, так и Oakland, были переоборудованы в водосливные.

В мае 1963 г. International подала заявку на переиздание своего патента. Были поданы две новые заявки, 13 и 14, которые расширили исходный патент, исключив ограничение «иметь непрерывную узкую эмиссионную апертуру», чтобы покрыть водосливные резервуары. В июне 1965 года патент Филипа Лабомбарде был переиздан.

(1) В Патентное ведомство

Заявка на оригинальный патент Филипа Лабомбарде была подана 28 декабря 1959 года. Патентный эксперт отклонил все заявки 5 августа 1960 года. Филип Лабомбарде подал многочисленные поправки 16 января и сентября. 6 ноября 1961 г. 3 ноября 1961 г. экзаменатор снова отклонил заявление. Еще одна поправка была внесена 3 мая 1962 года, а 11 июня 1962 года Examiner удовлетворил некоторые претензии. Затем были внесены дополнительные поправки, и впоследствии было выпущено Уведомление о разрешении.Сам патент выдан 25 декабря 1962 года.

В заявке на переиздание, поданной 15 мая 1963 года, подчеркивалось, что заявитель непреднамеренно ограничил свои первоначальные притязания, вставив ограничение «узкая эмиссионная апертура». Чтобы избежать этого ограничения, были добавлены новые пункты 13 и 14. Филип Лабомбарде столкнулся со значительными трудностями в получении разрешения на переиздание. Все претензии на переиздание были отклонены дважды. 15 мая 1963 г. он подал апелляцию в Апелляционный совет по патентам и подал записку.2 апреля 1965 г. Патентный эксперт, который первоначально отклонил претензии о переоформлении, очевидно снял все возражения, и 8 июня 1965 г. патент был переоформлен.

20 января 1966 г. International подала жалобу на Specialty в окружной суд. обвинение Specialty в нарушении как патента на переиздание Филипа Лабомбарде, так и патента Раймонда Лабомбарде. Что касается патента Филипа Лабомбарде, International обвинила Specialty в нарушении требований 3, 13 и 14. Ответчики 22 апреля 1966 г. подали ответ и встречный иск, отрицая нарушение и ссылаясь на несколько причин, по которым патенты были недействительными.После судебного разбирательства без присяжных окружной суд вынес свое мнение и постановление 6 декабря 1968 года. Суд постановил, что все требования 3, 13 и 14 являются действительными; Специалисты обжалуют это решение. Суд также постановил, что ответчики нарушили все три иска, но в соответствии с 35 USC. § 252, ответчики приобрели право на вмешательство в отношении требований 13 и 14 и постановили, что ответчики могут «продолжать производить, продавать и использовать устройство, охватываемое указанными требованиями 13 и 14, без ответственности перед истцами.»Ответчики обжалуют выводы суда о нарушении прав. Истцы-апеллянты утверждают, что суд допустил ошибку, не выполнив свои дискреционные полномочия в отношении продолжения производства. Ответчики также обжалуют отказ в удовлетворении их ходатайства о гонорарах адвокатов и отклонение их встречного иска.

Для требования 3 переиздания патента окружной суд, обнаружив, что его предписания ограничиваются «узкой эмиссионной апертурой», пришел к выводу, что резервуары водосливного типа, используемые Specialty на всех установках для нанесения покрытий с ноября 1963 года, не нарушают.Мы согласны. Окружному суду было дано право установить существенное различие между резервуаром водосливного типа и резервуаром с «узким отверстием для выбросов» не только по причине спецификации, которая четко описывает последний, и различных коннотаций языка, но и потому, что преподавания предшествующего уровня техники. См. , Райнер против I. Леон Ко., 324 F.2d 648, 651 (2d Cir. 1963).

Суд также постановил, что требование 3 было обоснованным и что некоторые из резервуаров Specialty какое-то время нарушали закон, хотя количество таких резервуаров и связанные с ними повреждения, как утверждается, невелико.Возможно, именно поэтому вопрос о действительности пункта 3 не имел большого значения в нижеследующем разбирательстве. Но мы обязаны с этим бороться. Как будет видно далее, наше решение этого вопроса имеет отношение к нашему мнению по претензиям 13 и 14.

Районный суд основал свой вывод о законности на следующих основаниях:

«Мне кажется, что повторный нагрев только верхнего слоя нанести воск на заготовку картонной коробки, а затем закалить ее под мягким низким холодным водопадом, что дало новый и полезный результат, а именно: бумажная коробка с превосходным блеском с превосходной водонепроницаемостью, потребовавшая упражнения изобретательских способностей выше обычному специалисту в данной области техники, и что концепция повторного нагрева только верхнего слоя воска на верхней поверхности заготовки бумажной коробки и последующего закалки под слабым слабым холодным водопадом не была известна, показана или предвосхищена предшествующим уровнем техники.»

Мы не оспариваем эти замечания. Но, по нашему мнению, они не решают вопроса о действительности претензии 3. Они полностью соответствуют первоначальным элементам претензии 2, поданной как претензия 13 28 декабря. , 1959. Проблема с формулой 3 возникает из-за того, что она была подана как дополнительная претензия 1 сентября 1961 года. Ее заявленная цель при подаче заключалась просто в том, чтобы «еще больше отличить от цитируемых патентов и еще больше подчеркнуть слабые стороны. контролируемый слой композиции покрытия, закрепленный путем нанесения покрытия валиком в сочетании с переплавом в горизонтальную ванну с последующей закалкой ванны без маркировки покрытия.»Как указано в сноске 2, единственный дополнительный акцент, связанный с тонкостью покрытия, заключается в добавлении к обычно описываемому результату жидкого тонкого слоя с зеркальной ровной поверхностью рекомендации начать с тонкого однородного покрытия. нам нюанс, который можно было бы решить, изменив то, что стало претензией 3, одним или двумя словами, что не соответствует достоинству новой претензии.

Реальный смысл новой претензии, не заявленной в то время, заключается в самом факте этот пункт 3, в отличие от предыдущих пунктов, включает только четыре функции: продвижение или подача, нанесение покрытия, переплав и закалка.Другие призывали к дополнительной функции (между нанесением покрытия и переплавкой) сглаживания. Сглаживание было явно включено в 9 из 13 исходных пунктов формулы, а затем в 14-ю претензию (в остальных 4 исходных формулах были указаны другие детали). Зона сглаживания и устройство были частью трех исчерпывающих чертежей как в оригинальном, так и в переизданном патенте. Сглаживание было предметом уточнения поправок в январе 1961 г. к нескольким утверждениям в ответ на возражения эксперта.Девять месяцев спустя вся функция без церемоний исчезла в том, что должно было стать претензией 3. Изучение оболочки файла не обнаруживает никаких комментариев со стороны патентообладателя или эксперта относительно исключения шага в процессе. Только на суде выяснилось, что причина этого действия заключалась в том, что «машина, которую они [International] тогда делали, не подпадала под претензии в том виде, в котором мы их сформулировали, а также что специальная машина была на рынке по адресу: то время.» Фактически International продала заказчику машину для нанесения покрытий, исключая зону сглаживания, почти за тринадцать месяцев до подачи претензии 3 и более чем за четыре месяца до подачи первоначальной заявки.

В то время как аргумент относительно действительности, приведенный ниже, сосредоточен на том, было ли это «просроченным иском», отклоненным Muncie Gear Works, Inc. против Outboard Marine & Mfg. Co., 315 U.S. 759, 62 S. Ct. 865, 86 L. Ed. 1171 (1942) и 35 U.S.C. В § 102 (b) мы сталкиваемся с предварительным вопросом о том, был ли пункт 3 формулы изобретения — даже при отсутствии каких-либо предшествующих публичных продаж или использования — эффективным для добавления к патенту требования о четырехэтапном процессе. Нам кажется, что Интернационал поставлен перед дилеммой.

Несмотря на отсутствие каких-либо оснований для отказа от функции в процедурах Патентного ведомства, подача иска по причинам, заявленным в суде, будет указывать на то, что патентообладатель стремился охватить изобретение, раскрытое, но еще не заявленное.То, что новая комбинация меньшего размера, пропускающая этап в процессе, может быть запатентована, уже давно является законом. Лоутер против Гамильтона, 124 U.S. 1, 8 S. Ct. 342, 31 L. Ed. 325 (1888 г.). См. Также Milcor Steel Co. против Джорджа А. Фуллера, 316 U.S. 143, 62 S. Ct. 969, 86 L. Ed. 1332 (1942) и United States Industrial Chemicals, Inc. против Carbide & Carbon Chemicals Corp., 315 U.S. 668, 62 S. Ct. 839, 86 L. Ed. 1105 (1942 г.). Однако в соответствии с этой теорией недостаточно отказаться от функции, sub silenttio, не обучая публику ничему относительно того, когда, почему и как использовать четырехэтапный процесс в отличие от пятиэтапного.Заявленный патент International относится к композициям для покрытий, содержащих от 10 до 40 процентов полиэтилена. Он утверждал, что процесс сглаживания имеет своей целью удаление следов «гусиных лапок», которые, как «считается», были вызваны полиэтиленом, и что, следовательно, зона сглаживания не считалась необходимой, когда использовалось мало или совсем не использовалось полиэтилена. Но у International было больше года, в течение которого работала четырехфункциональная машина. Вероятно, он знал кое-что о материалах, на которых он будет работать.Тем не менее, он не добавил ни чертежей, ни спецификаций, ограничившись необъяснимым удалением. Если новая комбинация была патентоспособной, 35 U.S.C. § 112 не был соблюден.

Альтернативная теория могла заключаться в том, что отказ от шага в процессе был просто «упущением функции более ранней машины, потому что некоторые изменения в технологии сделали эту функцию больше не необходимой * * * [и, следовательно,] только средством механика». Shu-Conditioner, Inc. против Bixby Box Toe Co., 294 F.2d 819 (1st Cir.1961). Если бы это было так, не было бы повода для подачи новой претензии, поскольку Specialty не смогла бы избежать ответственности за нарушение ранее предъявленных претензий. На самом деле, однако, предъявление иска по причинам, изложенным в суде, по сути, представляет собой признание того, что пропуск функции здесь был не просто уловкой механика. Более того, нам не удалось найти никаких свидетельств того, что технологические изменения сделали функцию сглаживания ненужной. Если такое изменение действительно произошло, у нас нет объяснения, почему первоначальные заявки на пятиэтапный процесс были поданы после того, как была продана машина, реализующая четырехэтапный процесс.

Следовательно, с любой точки зрения п. 3 не выполняется. Мы признаем презумпцию действительности, обычно присущую патенту, но не можем избежать убеждения, что эксперт не учел значимости исключения какого-либо шага в процессе. Как мы уже указали, районный суд тоже.

Это подводит нас к повторным претензиям, 13 и 14. Окружной суд признал их действительными по той же причине, по которой он оставил в силе претензию 3. Он истолковал претензии как покрытие водосливного резервуара водосливного типа, но постановил, что § 252 дал Specialty защиту, предоставляемую тем, кто имеет право вмешиваться.Мы не доходим до вопроса о правах вмешательства. Пункты 13 и 14 были предложены для того, чтобы преодолеть предполагаемую небрежность пункта 3, описывающего слишком узкий компас. В то время как пункт 3 касается душа с «узким отверстием для излучения», пункты 13 и 14 просто описывают «ливень, проходящий в поперечном направлении» по ширине покрытых заготовок, чтобы направлять «непрерывный слой охлаждающей жидкости в виде низкого водопада». . Эти претензии были оспорены Specialty как просроченные претензии, расширяющие претензию 3, и сделанные более чем через год после того, как International продала свою машину Бёрду и Флетчеру.Мы не затрагиваем и эту последнюю проблему, поскольку, исходя из соображений, которые мы применили к претензии 3, мы считаем своим долгом объявить претензии 13 и 14 на переоформление недействительными.

Пункты 13 и 14, как и пункт 3, требуют четырехэтапного процесса; они отличаются от пункта 3 формулы изобретения только тем, что они исключают фразу «имеющую непрерывную узкую эмиссионную апертуру» как ограничение «ливня». Если, как мы утверждали, претензия 3 недействительна, претензии 13 и 14 не остаются в силе. Во всяком случае, они дополнительно уязвимы, поскольку якобы включают устройство водосливного типа, поскольку International впервые начала продавать такие устройства более чем за год до того, как были поданы претензии о перевыпуске.Нам также кажется, что существуют существенные проблемы предвидения или, по крайней мере, очевидности, вызванные предшествующим уровнем техники, особенно патентом Кри, № 2732319. Однако нет необходимости в дальнейшем изучении этих вопросов.

Патент Раймонда Ламбомбарда, №3,202,532.

International также обвинила Specialty в нарушении требований 33, 34 и 36 своего патента 3 202 532. Эти пункты формулы изобретения, по сути, призывали к одностадийному процессу нанесения покрытия, в котором верхний и нижний валки одновременно наносили материал покрытия, за которым следовало прохождение через два валка, верхний из которых был обратным полировальным валком, а нижний — «продвижением заготовки». валок при температуре значительно ниже точки плавления указанной композиции «или» охлажденный передний валок контактирует «с нижней поверхностью.

Машины Specialty, предположительно нарушающие авторские права, впервые проданные в мае 1964 года, включали однопроходный процесс нанесения покрытия и последующий этап полировки, на котором картонный материал проходил под полировальным валиком и над продвигающимся вперед валиком с резиновым покрытием. Рассматриваемые претензии были поданы в мае 1964 года как продолжение первоначального патента International и впоследствии были разрешены.

Окружной суд отметил, что изобретение «утверждалось, что оно лежит в гладком охлажденном продвигающемся валке, который затвердевает и захватывает восковое покрытие на нижней стороне заготовки и заставляет заготовку двигаться, преодолевая противодействие вращающемуся в обратном направлении валку сверху.«Суд постановил, что как из-за описания, так и из-за патента предшествующего уровня техники (Pierce et al., № 3,011,913), который раскрыл продвигающий валок с резиновым покрытием, рассматриваемая формула ограничивалась некоторой формой охлажденного металла. Поэтому он пришел к выводу, что Продвигающие ролики Specialty с покрытием из силиконовой резины не нарушали закон. Он также постановил, что претензии действительны.

Хотя Specialty поддерживает вывод окружного суда о ненарушении прав, он добавил бы еще одно основание для этого вывода. Что еще более важно, оно утверждает, что претензии недействительны как запоздалые, неопределенные и очевидные.

Мы согласны с окружным судом как в отношении ненарушения прав, так и в отношении действительности. Что касается первого, мы сначала задаемся вопросом: на что распространяется претензия? Они были обращены не к природе продвигающегося валка, а к идее, что верхняя и нижняя поверхности картонных заготовок могут быть покрыты одновременно. В одиннадцати более ранних пунктах формулы изобретения, предназначенных для описания процесса, всегда была ссылка на пропускание заготовок через одну пару валков для покрытия одной поверхности и последующее пропускание их через другую пару для покрытия другой поверхности.International жаловалась на «безбилетников», которые за один прием наносили покрытие с обеих сторон, а затем следовали этапы глянцевания. В этом заключалась вся суть оправдания, за исключением одного замечания о том, что International «не знала о каком-либо использовании охлаждающего валка для перемещения отдельных заготовок через зазор обратного глянцевого валка».

Окружной суд был четко обоснован, постановив, что патент Раймонда Лабомбарде ограничивался продвижением вперед рулона металла.Первоначальная формула изобретения, спецификации и чертежи конкретно относились к «стальным» продвигающим валкам. Обертка файла демонстрирует сильное сопротивление цитированию экспертом патента Пирса, в котором описан охлаждаемый продвигающийся вперед валок, предпочтительно из резины. Что еще более важно, это было на усмотрение окружного суда принять свидетельские показания генерального директора Specialty о том, что в его машинах не использовались охлажденные валки для продвижения заготовок. Особенно актуальны следующие отрывки:

«Q.У вас есть охлажденные рулоны в этой машине для нанесения покрытий EXEC?

A. У нас есть охлаждаемые валки. Другими словами, мы не используем их охлажденными без необходимости, и я не видел ни одного случая, когда это было бы необходимо.

Резина сама по себе является очень и очень хорошим изолятором, и мы не можем видеть и не могли доказать это себе, что через эту резину может пройти достаточно холода, чтобы достаточно охладить этот валок по сравнению с количество тепла, которое он получает от вышеуказанного рулона, чтобы закрепить воск и принести вам пользу.

The Court: Итак, вы использовали резиновое покрытие на этих валках, чтобы обеспечить трение для перемещения заготовок коробок против встречного вращения полировальных валков?

Свидетель: Совершенно верно.

Таким образом, мы подтверждаем, что построение окружным судом патента Раймонда Лабомбарде ограничивается продвижением рулонов металла, например стали, или, по крайней мере, рулонов, в основном, из металла, настолько охлажденного, что охлаждение — вот что обеспечивает адгезионную функцию.Таким образом, толкуя патент, мы также подтверждаем вывод суда о том, что Specialty не нарушила ни одно из трех спорных требований. Это узкая и загруженная область; мы не подразумеваем расширенный объем — особенно с учетом конкретных ссылок на сталь или другой металл в патентных документах и ​​тщательного определения предшествующего уровня техники.

Но хотя претензии International следует толковать в узком смысле, мы считаем их действительными. Попытка Specialty применить здесь доктрину Muncie Gear явно терпит неудачу.Specialty вкрадчиво призывает в качестве основы для предварительного использования предложенное International открытие, что последняя продавала машину, на которую распространяется патент Раймонда Лабомбарде, с 1961 года. Но нет никаких доказательств того, что какая-либо машина, проданная таким образом International, покрывала обе стороны за один проход. Компания Specialty пошла в промышленное производство с такой технологией, но всего за несколько недель до того, как International подала свои последние четыре заявки. Его предыдущая работа над процессом однопроходного покрытия была явно экспериментальной.И International совершенно прав, говоря, что его диаграмма 10 адекватно раскрывает усеченный процесс.

Утверждения Specialty о том, что утверждения недействительны из-за неопределенности и очевидности, необоснованны. Отсутствие скребка на полировальном валке — это упущение, как сказал районный суд, «средства механика». Аргументация в пользу очевидности была предпринята путем цитирования патентов, которые в некоторой степени предвосхищали каждый из процессов, раскрытых в формуле изобретения. Но мы процитировали мнение окружного суда о главном толчке изобретения — «гладком охлажденном продвигающемся валке, который затвердевает и захватывает» нижнюю сторону и толкает ее вперед против конкурирующего перекатывающего действия наверху.Это, если мы понимаем важность использования охлаждаемого металлического рулона, было новым, полезным и неочевидным. Удовлетворение исков имеет презумпцию обоснованности, которая подкрепляется постановлением районного суда. Мы не можем сказать, что его выводы относительно патента Раймонда Лабомбарде явно ошибочны.

Наконец, запрос специалиста на оплату услуг адвоката необоснован. Здесь отсутствует исключительная ситуация, которая заставила нас присудить такие гонорары в General Instrument Corp.против Hughes Aircraft Co., 399 F.2d 373, 380-381 (1st Cir. 1968).

Утверждается та часть судебного решения, в которой признаются действительные и не нарушенные пункты 33, 34 и 36 патента Раймонда Лабомбарде № 3,202,532. Подтверждено отклонение районным судом встречного иска ответчика.

Та часть судебного решения, которая содержит действительные и нарушенные пункты 3, 13 и 14 патента Филипа Лабомбарде, № Re. 25 792, отменяется, и дело возвращено в районный суд с указанием издать постановление в соответствии с этим мнением.

Также подтверждается отказ районного суда в гонорарах адвокатов.

Что такое аннотации данных и почему они имеют значение?

Повседневная жизнь управляется алгоритмами. Даже самые простые решения — примерное время прибытия из приложения GPS или следующая песня в очереди потоковой передачи — можно фильтровать с помощью алгоритмов искусственного интеллекта и машинного обучения. Мы полагаемся на эти алгоритмы по разным причинам, включая персонализацию и эффективность. Но их способность выполнять эти обещания зависит от аннотации данных: процесса точной маркировки наборов данных, чтобы научить искусственный интеллект принимать будущие решения.Аннотации данных — это рабочая лошадка, стоящая за нашим миром, управляемым алгоритмами.

Что такое аннотация к данным?

Компьютеры не могут обрабатывать визуальную информацию так, как это делает человеческий мозг: компьютеру нужно сообщить, что он интерпретирует, и предоставить контекст для принятия решений. Аннотации данных устанавливают эти связи. Это управляемая человеком задача маркировать контент, такой как текст, аудио, изображения и видео, чтобы его можно было распознать с помощью моделей машинного обучения и использовать для прогнозирования.

Аннотации данных — это одновременно важный и впечатляющий подвиг, если учесть текущую скорость создания данных.По оценкам The Visual Capitalist, к 2025 году во всем мире ежедневно будет создаваться около 463 эксабайт данных, и это исследование проводилось до того, как пандемия COVID-19 повысила роль данных в повседневном взаимодействии. Согласно прогнозам GM Insights, мировой рынок инструментов для аннотации данных будет расти почти на 30% ежегодно в течение следующих шести лет, особенно в автомобильной отрасли, розничной торговле и здравоохранении.

Почему это важно?

Данные — это основа клиентского опыта.То, насколько хорошо вы знаете своих клиентов, напрямую влияет на качество их опыта. По мере того, как бренды собирают все больше и больше информации о своих клиентах, ИИ может помочь сделать собранные данные действенными. По данным Gartner, к 2022 году ожидается, что 70% взаимодействий с клиентами будет фильтроваться с помощью таких технологий, как приложения машинного обучения (ML), чат-боты и мобильные сообщения.

«Взаимодействие с ИИ улучшит текст, тональность, голос, взаимодействие и даже традиционный анализ опросов», — говорит вице-президент Gartner Дон Шайбенрайф в блоге аналитической фирмы.Но для того, чтобы чат-боты и виртуальные помощники создавали безупречный клиентский опыт, брендам необходимо убедиться, что наборы данных, на основе которых принимаются эти решения, являются высококачественными.

Согласно опросу, проведенному платформой для анализа данных Anaconda, в настоящее время специалисты по обработке данных тратят значительную часть своего времени на подготовку данных. Часть этого тратится на исправление или удаление аномальных / нестандартных данных и обеспечение точности измерений. Это жизненно важные задачи, учитывая, что алгоритмы в значительной степени полагаются на понимание закономерностей для принятия решений, и что ошибочные данные могут привести к предвзятости и неверным прогнозам ИИ.

9.3 Контрфактические объяснения | Интерпретируемое машинное обучение

Контрфактические объяснения

Авторы: Сюзанна Дандл и Кристоф Мольнар

Контрфактическое объяснение описывает причинную ситуацию в форме: «Если бы X не произошло, Y не произошло бы». Например: «Если бы я не сделал глоток этого горячего кофе, я бы не обжег язык». Событие Y состоит в том, что я сжег свой язык; причина X в том, что я пил горячий кофе. Мышление контрфактами требует воображения гипотетической реальности, которая противоречит наблюдаемым фактам (например, мир, в котором я не пил горячий кофе), отсюда и название «контрфактический».Способность мыслить контрфактами делает нас, людей, такими умными по сравнению с другими животными.

В интерпретируемом машинном обучении контрфактические объяснения могут использоваться для объяснения предсказаний отдельных случаев. «Событие» — это прогнозируемый результат экземпляра, «причины» — это конкретные значения характеристик этого экземпляра, которые были введены в модель и «вызвали» определенный прогноз. В виде графика взаимосвязь между входными данными и прогнозом очень проста: Значения признаков вызывают предсказание.

РИСУНОК 9.9: Причинно-следственные связи между входными данными модели машинного обучения и прогнозами, когда модель рассматривается просто как черный ящик. Входные данные вызывают прогноз (не обязательно отражающий реальную причинную связь данных).

Даже если на самом деле связь между входными данными и прогнозируемым результатом может не быть причинной, мы можем рассматривать входные данные модели как причину прогноза.

Учитывая этот простой график, легко увидеть, как мы можем смоделировать контрфакты для прогнозов моделей машинного обучения: Мы просто изменяем значения характеристик экземпляра перед тем, как делать прогнозы, и анализируем, как изменяется прогноз.Нас интересуют сценарии, в которых прогноз изменяется соответствующим образом, например, изменение прогнозируемого класса (например, заявка на получение кредита принята или отклонена) или в которых прогноз достигает определенного порога (например, вероятность рака достигает 10 %). Противоречивое объяснение прогноза описывает наименьшее изменение значений признаков, которое изменяет прогноз на заранее определенный результат.

Существуют как методы объяснения, не зависящие от модели, так и специфические для модели, контрфактические методы объяснения, но в этой главе мы сосредоточимся на методах, не зависящих от модели, которые работают только с входами и выходами модели (а не с внутренней структурой конкретных моделей).Эти методы также будут чувствовать себя как дома в главе, не зависящей от модели, поскольку интерпретация может быть выражена как сводка различий в значениях признаков («измените признаки A и B, чтобы изменить прогноз»). Но контрфактическое объяснение само по себе является новым примером, поэтому оно живет в этой главе («начиная с экземпляра X, измените A и B, чтобы получить контрфактический пример»). В отличие от прототипов, контрфактические данные не обязательно должны быть фактическими экземплярами из обучающих данных, но могут быть новой комбинацией значений функций.

Прежде чем обсуждать, как создавать контрфактические утверждения, я хотел бы обсудить некоторые варианты использования контрфактических фактов и то, как выглядит хорошее контрфактическое объяснение.

В этом первом примере Питер подает заявку на ссуду, но получает отказ от банковского программного обеспечения (на базе машинного обучения). Он задается вопросом, почему его заявление было отклонено и как он мог бы улучшить свои шансы на получение ссуды. Вопрос «почему» можно сформулировать как контрфактуальный: Какое наименьшее изменение характеристик (доход, количество кредитных карт, возраст и т. Д.) Изменило бы прогноз с отклоненного на утвержденный? Возможный ответ: Если Питер будет зарабатывать на 10 000 евро больше в год, он получит ссуду.Или, если бы у Питера было меньше кредитных карт и он бы не дефолт по кредиту 5 лет назад, он бы получил ссуду. Питер никогда не узнает причин отказа, поскольку банк не заинтересован в прозрачности, но это уже другая история.

В нашем втором примере мы хотим объяснить модель, которая предсказывает непрерывный результат, с помощью контрфактических объяснений. Анна хочет сдать свою квартиру в аренду, но не знает, сколько за нее нужно платить, поэтому решает обучить модель машинного обучения прогнозированию арендной платы.Конечно, поскольку Анна занимается аналитикой данных, она решает свои проблемы именно так. После ввода всех данных о размере, местонахождении, разрешении домашних животных и т. Д. Модель говорит ей, что она может взимать 900 евро. Она ожидала 1000 евро или больше, но она доверяет своей модели и решает поиграть с характеристиками квартиры, чтобы увидеть, как можно улучшить ее стоимость. Она выясняет, что квартиру можно было бы сдать за 1000 евро, если бы она была на 15 м ² больше.Интересное, но недействительное знание, потому что она не может увеличить свою квартиру. Наконец, настроив только параметры, находящиеся под ее контролем (встроенная кухня, да / нет, домашние животные разрешены, да / нет, тип пола и т. Д.), Она обнаруживает, что если она разрешает домашних животных и устанавливает окна с лучшей изоляцией, она можно взимать 1000 евро. Анна интуитивно работала с контрфактами, чтобы изменить результат.

Противоречия являются понятными для человека объяснениями, поскольку они контрастируют с текущим экземпляром и потому, что они избирательны, что означает, что они обычно сосредотачиваются на небольшом количестве изменений функций.Но контрфакты страдают от «эффекта Расомона». Расомон — это японский фильм, в котором об убийстве самурая рассказывают разные люди. Каждая из историй одинаково хорошо объясняет исход, но истории противоречат друг другу. То же самое может произойти и с контрфактами, поскольку обычно существует несколько различных контрфактических объяснений. Каждое контрфактическое высказывание рассказывает отдельную «историю» того, как был достигнут определенный результат. Один контрфактический аргумент мог бы сказать, что нужно изменить признак A, другой контрфактический пример мог бы сказать, чтобы оставить A таким же, но изменить признак B, что является противоречием.Проблема множественности истин может быть решена либо путем сообщения всех контрфактических объяснений, либо с помощью критерия для оценки контрфактических фактов и выбора лучшего из них.

Говоря о критериях, как мы определяем хорошее контрфактическое объяснение? Во-первых, пользователь контрфактического объяснения определяет соответствующее изменение в предсказании случая (= альтернативной реальности). Первым очевидным требованием является то, что контрфактический экземпляр дает предопределенное предсказание как можно точнее .Не всегда удается найти противоречие с заранее заданным прогнозом. Например, в настройке классификации с двумя классами, редким классом и частым классом, модель всегда может классифицировать экземпляр как частый класс. Изменение значений признаков таким образом, чтобы прогнозируемая метка переключалась с часто встречающегося класса на редкий, может оказаться невозможным. Поэтому мы хотим ослабить требование, согласно которому предсказание контрфактического факта должно точно соответствовать заранее определенному результату. В примере классификации мы могли бы поискать контрфакты, в которых прогнозируемая вероятность редкого класса увеличивается до 10% вместо текущих 2%.Тогда возникает вопрос: каковы минимальные изменения в характеристиках, чтобы прогнозируемая вероятность изменилась с 2% до 10% (или близко к 10%)? Другим критерием качества является то, что контрфактический объект должен быть как можно более похожим на экземпляр в отношении значений характеристик . Расстояние между двумя экземплярами можно измерить, например, с помощью манхэттенского расстояния или расстояния Гауэра, если у нас есть как дискретные, так и непрерывные функции. Контрфактический пример должен быть не только близок к исходному экземпляру, но также должен изменить как можно меньше функций .Чтобы измерить, насколько хорошо ложное объяснение в этой метрике, мы можем просто подсчитать количество измененных функций или, говоря математическим языком, измерить норму \ (L_0 \) между контрфактическим и фактическим экземпляром. В-третьих, часто желательно сгенерировать множественных противоречивых объяснений , чтобы субъект принятия решения получил доступ к множеству жизнеспособных способов получения различного результата. Например, продолжая наш пример ссуды, одно контрфактическое объяснение может предлагать только удвоение дохода для получения ссуды, в то время как другое контрфактическое объяснение может предлагать переехать в соседний город и увеличить доход на небольшую сумму, чтобы получить ссуду.Можно отметить, что в то время как первое контрфактическое предположение может быть возможным для некоторых, последнее может быть более действенным для некоторых. Таким образом, помимо предоставления субъекту решения различных способов достижения желаемого результата, разнообразие также позволяет «разным» людям изменять функции, которые им удобны. Последнее требование состоит в том, что контрфактический экземпляр должен иметь значения функций, которые, вероятно, равны . Было бы нецелесообразно создавать контрфактическое объяснение для примера аренды, когда размер квартиры отрицательный или количество комнат установлено на 200.Еще лучше, если согласно совместному распределению данных вероятна гипотеза, например, квартира с 10 комнатами и 20 м² ² не должна рассматриваться как контрфактическое объяснение. В идеале, если количество квадратных метров увеличивается, следует также предложить увеличение количества комнат.

Генерация контрфактических объяснений

Простой и наивный подход к созданию ложных объяснений — поиск методом проб и ошибок.Этот подход включает в себя случайное изменение значений признаков интересующего экземпляра и остановку, когда желаемый результат прогнозируется. Как в примере, где Анна пыталась найти вариант своей квартиры, за которую она могла бы взимать более высокую арендную плату. Но есть подходы лучше, чем метод проб и ошибок. Сначала мы определяем функцию потерь на основе упомянутых выше критериев. Эта потеря принимает в качестве входных данных интересующий случай, контрфактический и желаемый (контрфактический) результат. Затем мы можем найти контрфактическое объяснение, которое минимизирует эти потери, используя алгоритм оптимизации.Многие методы действуют таким же образом, но различаются определением функции потерь и метода оптимизации.

Далее мы сосредоточимся на двух из них: первый, автор Wachter et. al (2017), который представил контрфактическое объяснение как метод интерпретации, и, во-вторых, метод Dandl et al. (2020), который учитывает все четыре критерия, упомянутые выше.

Метод Wachter et al. \ prime) \]

Первый член — это квадратичное расстояние между прогнозом модели для контрфактического x ’и желаемым результатом y’, которое пользователь должен определить заранее.\ prime_j |} {MAD_j} \]

Общее расстояние — это сумма всех p пространственных расстояний, то есть абсолютных различий значений признаков между экземпляром x и контрфактическим x ’. Расстояние между объектами масштабируется величиной, обратной среднему абсолютному отклонению объекта j по набору данных, определяемому как:

\ [MAD_j = \ text {median} _ {i \ in {} \ {1, \ ldots, n \}} (| x_ {i, j} — \ text {median} _ {l \ in {} \ {1, \ ldots, n \}} (x_ {l, j}) |) \]

Медиана вектора — это значение, при котором половина значений вектора больше, а другая половина меньше.MAD является эквивалентом дисперсии признака, но вместо использования среднего значения в качестве центра и суммирования квадратных расстояний мы используем медианное значение в качестве центра и суммируем по абсолютным расстояниям. Предлагаемая функция расстояния имеет то преимущество перед евклидовым расстоянием, что он более устойчив к выбросам. Масштабирование с помощью MAD необходимо для приведения всех функций в один масштаб — неважно, измеряете ли вы размер квартиры в квадратных метрах или квадратных футах.

Параметр \ (\ lambda \) уравновешивает расстояние в прогнозе (первый член) с расстоянием в значениях признаков (второй член). Убыток рассчитывается для данного \ (\ lambda \) и возвращает контрфактический x ’. Более высокое значение \ (\ lambda \) означает, что мы предпочитаем контрфакты с предсказаниями, близкими к желаемому результату y ’, более низкое значение означает, что мы предпочитаем контрфакты x’, которые очень похожи на x в значениях признаков. Если \ (\ lambda \) очень большой, будет выбран экземпляр с прогнозом, ближайшим к y ’, независимо от того, как далеко он от x.\ prime | \ leq \ epsilon \]

Чтобы минимизировать эту функцию потерь, можно использовать любой подходящий алгоритм оптимизации, например, Нелдера-Мида. \ prime, \ lambda).\ prime |> \ epsilon \):

• Увеличьте \ (\ lambda \).
• Оптимизируйте потери с текущим контрфактом в качестве отправной точки.
• Верните гипотезу, которая минимизирует потери.

Предлагаемый способ имеет ряд недостатков. Он принимает во внимание только первый и второй критерии, а не два последних критерия () («создавать контрфакты только с несколькими изменениями функций и вероятными значениями функций»).d не предпочитает разреженные решения, поскольку увеличение 10 объектов на 1 даст то же расстояние до x, что и увеличение одного объекта на 10. Нереалистичные комбинации функций не наказываются.

Метод не обрабатывает категориальные признаки с множеством разных уровней хорошо. Авторы метода предложили запускать метод отдельно для каждой комбинации значений признаков категориальных признаков, но это приведет к комбинаторному взрыву, если у вас есть несколько категориальных признаков с множеством значений.{obs}) \ big) \]

Каждая из четырех целей от \ (o_1 \) до \ (o_4 \) соответствует одному из четырех критериев, упомянутых выше. Первая цель \ (o_1 \) отражает то, что предсказание нашего контрфактического x ’должно быть как можно ближе к нашему желаемому предсказанию y’. Поэтому мы хотим минимизировать расстояние между \ (\ hat {f} (x ‘) \) и y ’, здесь рассчитанное по манхэттенской метрике (\ (L_1 \) norm):

\ [o_1 (\ hat {f} (x ‘), y’) = \ begin {cases} 0 & \ text {if $ \ hat {f} (x ‘) \ in {} y’ $} \\\ inf \ limits_ {y ‘\ in y’} | \ hat {f} (x ‘) — y’ | & \ text {else} \ end {cases} \]

Вторая цель \ (o_2 \) отражает то, что наша гипотеза должна быть как можно более похожей на наш экземпляр \ (x \).{p} \ delta_G (x_j, x’_j) \]

, где p — количество функций. Значение \ (\ delta_G \) зависит от типа объекта \ (x_j \):

\ [\ delta_G (x_j, x’_j) = \ begin {cases} \ frac {1} {\ widehat {R} _j} | x_j-x’_j | & \ text {if $ x_j $ числовой} \\ \ mathbb {I} _ {x_j \ neq {} x’_j} & \ text {если $ x_j $ категориальный} \ end {cases} \]

При делении расстояния до числового объекта \ (j \) на \ (\ widehat {R} _j \) наблюдаемый диапазон значений масштабирует \ (\ delta_G \) для всех объектов от 0 до 1.

Расстояние Гауэра может обрабатывать как числовые, так и категориальные характеристики, но не учитывает, сколько функций было изменено.{obs}) \) не имеет условий балансировки / взвешивания, таких как \ (\ lambda \). Мы не хотим сворачивать четыре цели \ (o_1 \), \ (o_2 \), \ (o_3 \) и \ (o_4 \) в одну цель, суммируя их и взвешивая, но мы хотим оптимизировать все четыре срока одновременно.

Как мы можем это сделать? Мы используем генетический алгоритм недоминируемой сортировки или сокращенный NSGA-II. NSGA-II — это вдохновленный природой алгоритм, который применяет закон Дарвина о «выживании наиболее приспособленных». Обозначим пригодность контрфактуала его вектором значений целей \ ((o_1, o_2, o_3, o_4) \).Чем ниже контрфактические четыре цели, тем она «лучше».

Алгоритм состоит из четырех шагов, которые повторяются до тех пор, пока не будет выполнен критерий остановки, например максимальное количество итераций / поколений. На следующем рисунке показаны четыре шага одного поколения.

РИСУНОК 9.10: Визуализация одного поколения алгоритма NSGA-II.

В первом поколении группа гипотетических кандидатов инициализируется путем случайного изменения некоторых функций по сравнению с нашим экземпляром x, который необходимо объяснить.Придерживаясь приведенного выше кредитного примера, один противодействующий фактор мог бы предложить увеличить доход на 30 000 евро, в то время как другой предлагал не иметь дефолта в течение последних 5 лет и снизить возраст на 10. Все остальные значения функций равны значениям x. Затем каждый кандидат оценивается с использованием четырех указанных выше целевых функций. Среди них мы случайным образом отбираем некоторых кандидатов, из которых с большей вероятностью выбираются более подходящие кандидаты. Кандидаты попарно рекомбинируют, чтобы получить детей, похожих на них, путем усреднения их числовых значений признаков или пересечения их категориальных признаков.Кроме того, мы слегка изменяем значения характеристик детей, чтобы исследовать все пространство функций.

Из двух результирующих групп, одна с родителями, а другая с детьми, нам нужна только лучшая половина с использованием двух алгоритмов сортировки. Алгоритм недоминируемой сортировки сортирует кандидатов в соответствии с их объективными ценностями. Если кандидаты одинаково хороши, алгоритм сортировки по дистанции скопления сортирует кандидатов в соответствии с их разнообразием.

Учитывая ранжирование двух алгоритмов сортировки, мы выбираем наиболее многообещающую и / или самую разнообразную половину кандидатов.Мы используем этот набор для следующего поколения и снова начинаем процесс отбора, рекомбинации и мутации. Мы надеемся, что повторяя эти шаги снова и снова, мы подходим к разнообразному набору многообещающих кандидатов с низкими объективными ценностями. Из этого набора мы можем выбрать те, которые нас больше всего удовлетворяют, или мы можем дать сводку всех контрфактов, выделив, какие функции и как часто менялись.

Пример

Следующий пример основан на примере набора кредитных данных в Dandl et al.(2020). Набор данных о кредитных рисках Германии можно найти на платформе задач машинного обучения kaggle.com.

Авторы обучили машину опорных векторов (с радиальным базисным ядром) для предсказания вероятности того, что клиент имеет хороший кредитный риск. Соответствующий набор данных содержит 522 полных наблюдения и девять характеристик, содержащих кредитную информацию и информацию о клиентах.

Цель состоит в том, чтобы найти противоречащие фактам объяснения для клиента со следующими значениями характеристик:

SVM предсказывает, что женщина имеет хороший кредитный риск с вероятностью 24.2%. Контрфакты должны ответить, как нужно изменить входные характеристики, чтобы прогнозируемая вероятность превышала 50%?

В следующей таблице показаны 10 лучших опровержений:

Первые пять столбцов содержат предлагаемые изменения функций (отображаются только измененные функции), следующие три столбца показывают целевые значения (\ (o_1 \) равно 0 во всех случаях), а последний столбец отображает прогнозируемую вероятность.

Все контрфакты предсказывают вероятности более 50% и не доминируют друг над другом.Недоминируемый означает, что ни одно из контрфактов не имеет меньших значений для всех целей, чем другие контрфакты. Мы можем думать о наших контрфактах как о наборе компромиссных решений.

Все они предлагают сократить продолжительность с 48 месяцев до минимум 23 месяцев, некоторые из них предлагают, чтобы женщина стала квалифицированной, а не неквалифицированной. Некоторые возражения даже предлагают изменить пол с женского на мужской, что свидетельствует о гендерной предвзятости модели. Это изменение всегда сопровождается сокращением возраста от 1 до 30 лет.Мы также можем видеть, что, хотя некоторые контрфакты предлагают изменить 4 функции, эти контрфакты наиболее близки к обучающим данным.

Преимущества

Интерпретация ложных объяснений очень ясна . Если значения признаков экземпляра изменяются в соответствии с контрфактическими данными, прогноз изменяется на предварительно определенный прогноз. Никаких дополнительных предположений и никакого волшебства на заднем плане нет. Это также означает, что он не так опасен, как такие методы, как LIME, где неясно, насколько далеко мы можем экстраполировать локальную модель для интерпретации.

Контрфактический метод создает новый экземпляр, но мы также можем резюмировать контрфактический метод, сообщая, какие значения функций изменились. Это дает нам два варианта отчета о наших результатах . Вы можете либо сообщить о контрфактическом экземпляре, либо выделить, какие функции были изменены в интересующем и контрфактическом экземплярах.

Контрфактический метод не требует доступа к данным или модели . Для этого требуется только доступ к функции прогнозирования модели, которая также может работать, например, через веб-API.Это привлекательно для компаний, которые проверяются третьими сторонами или которые предлагают объяснения пользователям, не раскрывая модель или данные. Компания заинтересована в защите модели и данных из соображений коммерческой тайны или защиты данных. Контрфактические объяснения предлагают баланс между объяснением предсказаний модели и защитой интересов владельца модели.

Метод работает также с системами, не использующими машинное обучение . Мы можем создать контрфакты для любой системы, которая получает входные и выходные данные.Система, которая прогнозирует арендную плату за квартиру, также может состоять из рукописных правил, и контрфактические объяснения все равно будут работать.

Метод контрфактического объяснения относительно легко реализовать , поскольку это, по сути, функция потерь (с одной или несколькими целями), которую можно оптимизировать с помощью стандартных библиотек оптимизатора. Необходимо принять во внимание некоторые дополнительные детали, такие как ограничение значений характеристик значимыми диапазонами (например, только положительные размеры квартир).

Недостатки

Для каждого случая вы обычно найдете несколько противоречивых объяснений (эффект Расомона) . Это неудобно — большинство людей предпочитают простые объяснения сложности реального мира. Это еще и практический вызов. Допустим, мы выделили 23 контрфактических объяснения для одного случая. Мы сообщаем обо всех? Только лучшее? Что, если все они относительно «хороши», но очень разные? На эти вопросы нужно отвечать заново для каждого проекта.Также может быть полезно иметь несколько противоречивых объяснений, потому что тогда люди могут выбрать те, которые соответствуют их предыдущим знаниям.

Программное обеспечение и альтернативы

Метод многоцелевого контрафактического объяснения, предложенный Dandl et al. реализован в репозитории Github.

В пакете Python авторы Alibi реализовали простой контрфактический метод, а также расширенный метод, который использует прототипы классов для улучшения интерпретируемости и сходимости выходных данных алгоритма.

Karimi et al. (2019) также предоставили Python-реализацию своего алгоритма MACE в репозитории Github. Они перевели необходимые критерии для правильных контрфактов в логические формулы и использовали средства определения выполнимости, чтобы найти контрфакты, которые им удовлетворяют.

Mothilal et al. (2020) разработали DiCE (Разнообразное контрфактическое объяснение) для генерации разнообразного набора контрфактических объяснений, основанных на детерминантных точечных процессах. В настоящее время DiCE работает только с дифференцируемыми моделями, поскольку для оптимизации используется градиентный спуск.

Еще один способ поиска опровержений — это алгоритм Growing Spheres, разработанный Laugel et. al (2017). В своей статье они не используют слово «контрфактический», но метод очень похож. Они также определяют функцию потерь, которая поддерживает контрфакты с минимально возможным изменением значений признаков. Вместо прямой оптимизации функции они предлагают сначала нарисовать сферу вокруг интересующей точки, выбрать точки в этой сфере и проверить, дает ли одна из выбранных точек желаемый прогноз.Затем они соответственно сжимают или расширяют сферу до тех пор, пока не будет найден (разреженный) контрфактический объект и, наконец, не будет возвращен.

Якоря Ribeiro et. al (2018) — противоположность контрфактам, см. главу о правилах с ограниченным объемом (якоря).

Общие функции потерь в машинном обучении | by Ravindra Parmar

Машины обучаются с помощью функции потерь. Это метод оценки того, насколько хорошо конкретный алгоритм моделирует заданные данные. Если прогнозы слишком сильно отклоняются от фактических результатов, функция потерь откажется от очень большого числа.Постепенно, с помощью некоторой функции оптимизации, функция потерь учится уменьшать ошибку прогноза. В этой статье мы рассмотрим несколько функций потерь и их приложения в области машинного / глубокого обучения.

Не существует универсальной функции потерь для алгоритмов машинного обучения. Выбор функции потерь для конкретной задачи зависит от различных факторов, таких как тип выбранного алгоритма машинного обучения, простота вычисления производных и, в некоторой степени, процент выбросов в наборе данных.

В общих чертах, функции потерь можно разделить на две основные категории в зависимости от типа обучающей задачи, с которой мы имеем дело — Регрессионные потери и Классификационные потери . При классификации мы пытаемся предсказать результат на основе набора конечных категориальных значений, т.е. учитывая большой набор данных изображений рукописных цифр, классифицируя их по одной из 0–9 цифр. Регрессия, с другой стороны, имеет дело с предсказанием непрерывного значения, например, для данной площади пола, количества комнат, размера комнат, предсказания цены комнаты.

  ПРИМЕЧАНИЕ  
 n - Количество обучающих примеров. 
 i - i-й обучающий пример в наборе данных. 
 y (i) - метка истинности для i-го учебного примера. 
 y_hat (i) - Прогноз для i-го обучающего примера. 

Потери регрессии

Среднеквадратичная ошибка / квадратичная потеря / потеря L2

Математическая формулировка : —

Как следует из названия, Среднеквадратичная ошибка измеряется как среднее квадратичное различие между предсказаниями и фактическими наблюдениями.Это касается только средней величины ошибок независимо от их направления. Однако из-за возведения в квадрат предсказания, которые далеки от фактических значений, сильно наказываются по сравнению с предсказаниями с меньшим отклонением. Плюс MSE имеет приятные математические свойства, которые упрощают вычисление градиентов.

 импортировать numpy как npy_hat = np.array ([0,000, 0,166, 0,333]) 
 y_true = np.array ([0,000, 0,254, 0,998]) def rmse (прогнозы, цели): 
 различий = прогнозы - цели 
 разниц_squared = различия ** 2 
 mean_of_differences_squared = sizes_squared.mean () 
 rmse_val = np.sqrt (mean_of_differences_squared) 
 return rmse_valprint ("d is:" + str (["%. 8f"% elem for elem in y_hat])) 
 print ("p is:" + str ( ["% .8f"% elem для элемента в y_true])) rmse_val = rmse (y_hat, y_true) 
 print ("среднеквадратичная ошибка:" + str (rmse_val)) 

Средняя абсолютная ошибка / потеря L1

Математическая формулировка : —

Средняя абсолютная ошибка , с другой стороны, измеряется как среднее значение суммы абсолютных различий между предсказаниями и фактическими наблюдениями.Как и MSE, он также измеряет величину ошибки без учета ее направления. В отличие от MSE, MAE требует более сложных инструментов, таких как линейное программирование для вычисления градиентов. Кроме того, MAE более устойчиво к выбросам, поскольку не использует квадрат.

 импортировать numpy как npy_hat = np.array ([0.000, 0.166, 0.333]) 
 y_true = np.array ([0.000, 0.254, 0.998]) 
 print ("d is:" + str (["%. 8f "% elem для элемента в y_hat])) 
 print (" p is: "+ str (["%. 8f "% elem for elem in y_true])) 
 
 def mae (прогнозы, цели): 
 различий = прогнозы - цели 
 absolute_differences = np.абсолютные (различия) 
 mean_absolute_differences = absolute_differences.mean () 
 return mean_absolute_differences 
 mae_val = mae (y_hat, y_true) 
 print ("mae error is:" + str (mae_val)) 

Среднее смещение

  ## 1-й пример обучения  
 max (0, (1.49) - (-0,39) + 1) + max (0, (4,21) - (-0,39) + 1) 
 max (0, 2,88) + max (0, 5,6) 
 2,88 + 5,6 
  8,48 (высокие потери как очень неправильное предсказание)   ## 2-й пример обучения 
  max (0, (-4.61) - (3.28) + 1) + max (0, (1.46) - (3.28) + 1) 
 max (0, - 6,89) + max (0, -0,82) 
 0 + 0 
  0 (Нулевая потеря как правильный прогноз)   ## 3-й обучающий пример 
  max (0, (1.03) - (-2.27) + 1) + max (0, (-2,37) - (-2,27) + 1) 
 макс (0, 4,3) + макс (0, 0,9) 
 4.3 + 0,9 
  5,2 (Высокие потери как очень ошибочный прогноз)  

 import numpy as nppredictions = np.array ([[0.25,0.25,0.25,0.25], 
 [0.01,0.01,0.01,0.96]]) 
 target = np.array ([[0,0,0,1 ], 
 [0,0,0,1]]) def cross_entropy (предсказания, цели, epsilon = 1e-10): 
 предсказаний = np.clip (предсказания, epsilon, 1.- epsilon) 
 N = predictions.shape [0] 
 ce_loss = -np.