摘要: 大数据与人工智能深度融合成为驱动数字经济发展的重要动力，但算法黑箱、数据质量缺陷、模型泛化不足等问题导致智能系统的可解释性与可靠性难以满足应用需求。本文系统论述了人工智能可解释性与可靠性的内涵，在此基础上，分别从算法模型、大数据源及模型泛化等层面，深入剖析了大数据背景下的人工智能可解释性与可靠性提升挑战，并提出了算法模型的可解释化改造、大数据源的全流程质量管控及模型泛化的可靠性强化等富有针对性的提升策略，以期为大数据人工智能系统的安全可信落地提供有益参考，助力智能技术在合规可控的前提下实现规模化行业应用。