可解釋性——有時又稱為可詮釋性——是指能回答「為何模型針對這個特定輸入產生了這個特定輸出？」的能力。它與彙總準確率是截然不同的概念：一個模型可以有 95% 的準確率，但對任何個別決策仍完全不透明。在受監管的領域（貸款、保險、招聘、醫療），個別可解釋性是硬性要求：監管機關期望得到引用拒絕決策所依據特徵的不利行動通知，風控長也需要審查邊緣案例。Google 的 Responsible AI 框架將可詮釋性與公平性、安全性、隱私與問責並列為核心面向。Vertex Explainable AI 是受管理的工具：它使用抽樣 Shapley、Integrated Gradients 或 XRAI（用於圖片）等方法計算逐次預測的特徵歸因，並透過預測回應加以呈現，讓下游系統可以顯示「此申請人遭到拒絕的原因：負債收入比（+0.42）、近期查詢次數（+0.18）、就業年資（−0.05）……」。結合模型說明文件（model cards），銀行即可同時滿足監管機關與內部風控審查的要求。單靠彙總準確率無法達成上述任何一項。

白話文解釋

想像銀行貸款核准要說明理由：客戶被拒，行員必須能告訴他「主要因為負債比過高、近三個月查詢次數多」——不能只回一句「我們模型總體準確率 95%」。Google Responsible AI 的可解釋性（explainability）指的就是這件事：每一個別決策都要能追溯到哪幾個特徵在發力。Vertex Explainable AI 會把這份「特徵貢獻清單」附在每次預測旁邊，讓監管機關和風控長都能看得懂。

選項分析

A 正確，aggregate accuracy 解釋不了單筆決策；explainability 是 Google Responsible AI 的核心面向之一，Vertex Explainable AI 提供 per-prediction feature attribution 來滿足這個需求。 B 錯，加大訓練資料量可能提升準確度，但不會產生「為何這位申請人被拒」的個別解釋。 C 錯，模型壓縮與可解釋性無關；小模型一樣可以是 black box。 D 錯，硬體選擇不會產生解釋；explainability 是演算法與工具（SHAP、Integrated Gradients、Vertex Explainable AI）的範疇。