解析：
LIME 是一種後處理（post-hoc）解釋技術，它不改變原始模型，而是在模型訓練完成後，透過局部近似的方式對已訓練模型的預測結果提供解釋。它與模型本身的結構無關（model-agnostic）。
AI 給你一個結果時，你是不是也想知道它為什麼這樣判斷？ 你可以把可解釋人工智慧想成，幫黑箱模型補上一層人看得懂的理由。 它其實就是用視覺化、特徵重要性、局部近似或規則化的方法，讓人能理解模型為什麼做出這個決策。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
可解釋 AI vs 黑箱模型 黑箱模型只給結果，不說原因，可解釋 AI 則盡量把理由攤開。
可解釋 AI vs 公平性 可解釋 AI 是看懂模型怎麼想，公平性是看模型有沒有系統性偏見，兩者相關但不相同。
可解釋性 vs 可視化 可視化只是表現形式之一，可解釋性還包括規則、反事實和局部代理模型。
最關鍵的區別： 你想知道的是「它怎麼判斷」，還是「它有沒有偏袒某些人」。
記住這句就好
看懂模型理由，才知道能不能信它。
實際案例
案例一：貸款審核 系統拒絕你的申請時，如果能指出是收入、負債比還是信用紀錄影響最大，使用者和審核人員都比較能接受。
案例二：醫療影像輔助 模型說某張 X 光片有異常時，若能標出可疑區域和關鍵特徵，醫師就能更快判斷是不是要進一步檢查。
深入了解
常見方法包括 LIME、SHAP、特徵重要性、注意力可視化和反事實解釋。LIME 會在單一案例附近建立局部近似模型，SHAP 會用貢獻分配的方式說明每個特徵影響了多少。可解釋 AI 的重點不是把模型變簡單，而是讓複雜模型的決策能被檢查、質疑和修正。
情境判斷
Q1（直覺題）： 你要讓業務同事知道模型為什麼拒絕某個客戶，這時候是不是該加可解釋 AI？
→ 是，因為你需要的不只是結果，還要一個人看得懂的理由。
Q2（判斷題）： 如果模型本來就很簡單，像線性回歸，還需不需要特別做可解釋 AI？
→ 看情況。簡單模型本身就比較容易解釋，但如果你要做稽核、法遵或對外溝通，還是可能需要更明確的解釋輸出。
iPAS 考題
Q1： 可解釋人工智慧最主要的目的之一是什麼？ (A) 讓模型變得更深 (B) 讓模型決策更容易被人理解與稽核 (C) 讓訓練資料自動標註 (D) 讓損失函數自動消失
→ (B)。可解釋 AI 的核心就是把黑箱決策變成可理解、可檢查的資訊。
Q2： 下列哪一種方法最常被用來解釋單一預測案例？ (A) LIME (B) K-means (C) Batch Normalization (D) Dropout
→ (A)。LIME 很常拿來做單一樣本的局部解釋。
常見問題
可解釋人工智慧和模型可解釋性有什麼不同？
模型可解釋性偏向模型本身容易被理解，可解釋 AI 則包含一整套把黑箱結果變成人能看懂的方法。
什麼時候應該使用可解釋人工智慧？
當決策會影響金錢、健康、法律或信任時，就很值得加上解釋層。
初學者學習可解釋人工智慧最常見的誤解是什麼？
很多人以為有了注意力熱圖就等於完成解釋，其實那只是其中一種訊號，不能單獨當成完整答案。
範例考題
在可解釋 AI（Explainable AI, XAI）的分類架構中，LIME（Local Interpretable Model-agnostic Explanations）屬於哪一類解釋技術？
- A. 內建可解釋模型（Intrinsic Interpretability）：模型本身具有透明的決策結構
- B. 對話式解釋系統（Conversational AI Explainer）：透過互動對話提供模型解釋
- C. 後處理模型解釋（post-hoc）：對已訓練模型提供外部解釋 ✓ 正確答案
- D. 代理模型技術（Surrogate Model）：訓練另一個簡單模型來完全取代原黑盒模型進行推論