在过去的几年里，机器学习和人工智能在准确性方面取得了巨大的进步。 然而，受监管的行业(如银行)仍然犹豫不决，往往优先考虑法规遵从性和算法解释的准确性和效率。 有些企业甚至认为这项技术不可信，或者说是危险的。
在2008年金融危机期间，银行业认识到，他们的机器学习算法是基于有缺陷的假设。 因此，金融体系监管机构决定需要额外的控制措施，并引入了对银行和保险公司进行“模式风险”管理的监管要求。
银行也必须证明他们理解他们所使用的模型，所以，令人遗憾但是可以理解的是，他们有意地限制了他们技术的复杂性，采用了简单和可解释性高于一切的广义线性模型。
如果你想建立对机器学习的信任，可以尝试像人一样对待它，问它同样的问题。
为了信任AI和机器学习提供的建议，来自所有行业的企业需要努力更好地理解它。 数据科学家和博士不应该是唯一能够清楚地解释机器学习模型的人，因为正如AI理论家Eliezer Yudkowsky所说的那样：“到目前为止，人工智能的最大危险在于人们过早地认为他们了解这项技术。
信任需要人为的方法
当数据科学家被问及机器学习模型是如何作出决定的时候，他们倾向于使用复杂的数学方程式去解答，使得外行人目瞪口呆，也不知道可以如何信任这个模型。 以与人类决策相同的方式来处理机器学习决策，会不会更有成效? 正如Udacity联合创始人塞巴斯蒂安·特伦(Sebastian Thrun)曾经说的：“人工智能几乎算得上是一门人文学科。 这实际上是一种理解人类智力和人类认知的尝试。”
所以，不要用复杂的数学方程来确定信贷员员如何做出决定，而只是简单地问：“贷款申请表上哪些信息对您的决定最重要?或者，“什么值表示风险的高低，以及您是如何决定接受或者拒绝一些特定的贷款申请的?
可以采用同样的人为方法去确定算法如何做出类似的决定的。例如，通过使用称为特性影响的机器学习技术，可以确定循环效用余额，申请人的收入以及贷款目的是信贷员算法的前三个最重要的信息。
通过使用称为原因代码的能力，人们可以看出每个贷款申请人的详细资料的估计中最重要的因素，并且通过利用称为部分依赖的技术，可以看到该算法将较高收入贷款申请的风险等级评为较低。
客观性，可扩展性和可预测性的价值
通过分析机器如何像人类一样做出决策可以使人类更好地理解人工智能和机器学习，此外，人类还可以通过认识到技术的独特能力来获得对人工智能和机器学习信任，包括：
解决可信度和数据异常值的问题：传统统计模型通常需要假设数据是如何创建的，数据的背后的过程以及数据的可信度。然而，机器学习通过使用高度灵活的算法来消除这些限制性的假设，这些算法不会给予比它应得的更多的可信度。
支持现代计算机和海量数据集：与手工流程不同，机器学习不假设世界充满了直线。相反，它会自动调整方程式以查明最佳模式，并测试哪些算法和模式最适合独立验证数据(而不是仅测试所训练的数据)。
利用缺少的值预测未来：高级机器学习不是要求数小时的数据清理，而是可以构建一个蓝图，优化特定算法的数据，自动检测缺失值，确定哪些算法不适用缺失值，寻找取代缺失值的最佳值，并使用缺失值的存在来预测不同的结果。
不要怀疑AI或机器学习的建议，让我们通过询问我们要求人类的相同推理问题来更好地理解它们。让我们认识到技术在降低数据异常可信度方面的客观能力，以及为当今海量数据提供可扩展的灵活性的能力。
也许最重要的是，让我们承认AI和机器学习的能力，通过利用缺少的信息来更好地预测未来的结果。因为虽然技术确实足够强大以至于需要警惕和正式的监管，但如果能够建立一个正确的理解和信任水平，消费者和企业都只会受益。
