Bài báo này đề cập đến vấn đề trách nhiệm giải trình trong các hệ thống AI hiện đại, được phát triển qua nhiều giai đoạn (tiền huấn luyện, tinh chỉnh và thích ứng/căn chỉnh). Chúng tôi giải quyết "vấn đề quy kết", theo dõi mức độ trách nhiệm của từng giai đoạn đối với sự thành công hay thất bại của một mô hình đã triển khai, và đề xuất một khuôn khổ chung để trả lời các câu hỏi phản thực tế về việc hành vi của mô hình sẽ thay đổi như thế nào nếu một giai đoạn cụ thể không được cập nhật. Trong khuôn khổ này, chúng tôi trình bày một bộ ước lượng có thể định lượng hiệu quả hiệu quả của từng giai đoạn bằng cách xem xét các khía cạnh chính của động lực tối ưu hóa mô hình, chẳng hạn như lịch trình tốc độ học, động lượng và suy giảm trọng số, cũng như dữ liệu, mà không cần đào tạo lại mô hình. Chúng tôi chứng minh rằng chúng tôi đã định lượng thành công trách nhiệm của từng giai đoạn trong các nhiệm vụ phân loại hình ảnh và phát hiện độc tính văn bản, đồng thời xác định và loại bỏ các tương quan sai dựa trên kết quả quy kết. Phương pháp này cung cấp một công cụ thiết thực để phân tích mô hình và là một bước quan trọng hướng tới việc phát triển AI có trách nhiệm hơn.
