O que distingue explicabilidade intrínseca de pós-hoc?

A explicabilidade intrínseca refere-se a modelos de machine learning que são, por natureza, interpretáveis e transparentes. Exemplos incluem árvores de decisão e regressão linear, onde é fácil entender como as decisões são tomadas. Já a explicabilidade pós-hoc se refere a técnicas utilizadas para interpretar modelos complexos e não transparentes, como redes neurais. Essas técnicas são aplicadas após o modelo ter sido treinado, buscando explicar suas decisões, mas não alterando a estrutura do modelo em si. Em resumo, a diferença principal é que a explicabilidade intrínseca é parte do modelo, enquanto a pós-hoc é uma análise feita após a criação do modelo.