Εξηγήσιμη Τεχνητή Νοημοσύνη με Εκφραστικές Βουλητικές Τύπου

Η έκρηξη στις εφαρμογές της τεχνητής νοημοσύνης (ΤΝ) και του μηχανικού μάθησης είναι διαδεδομένη σχεδόν σε κάθε βιομηχανία και πτυχή της ζωής.

Αλλά η ανάπτυξή της δεν έρχεται χωρίς ειρωνεία. Ενώ η ΤΝ υπάρχει για να απλοποιήσει και/ή να επιταχύνει την λήψη αποφάσεων ή τις ροές εργασιών, η μεθοδολογία για να το κάνει αυτό είναι συχνά εξαιρετικά σύνθετη. Πράγματι, κάποιοι “μαύροι κουβάδες” αλγόριθμοι μηχανικού μάθησης είναι τόσο περίπλοκοι και πολύπλοκοι που μπορούν να αντισταθούν σε απλή εξήγηση, ακόμη και από τους επιστήμονες υπολογιστών που τους δημιούργησαν.

Αυτό μπορεί να είναι khá προβληματικό όταν κάποιες περιπτώσεις χρήσης – όπως στα πεδία των χρηματοοικονομικών και της ιατρικής – ορίζονται από τις καλύτερες πρακτικές της βιομηχανίας ή τις κυβερνητικές κανονιστικές προδιαγραφές που απαιτούν διαφανείς εξηγήσεις για τις εσωτερικές λειτουργίες των λύσεων ΤΝ. Και αν αυτές οι εφαρμογές δεν είναι εκφραστικές αρκετά για να ικανοποιήσουν τις απαιτήσεις εξηγήσιμης ΤΝ, μπορεί να αποβληθούν ως άχρηστες ανεξάρτητα από την συνολική αποτελεσματικότητά τους.

Για να αντιμετωπίσουμε αυτό το δίλημμα, η ομάδα μας στο Κέντρο Εφαρμοσμένης Τεχνολογίας Fidelity (FCAT) — σε συνεργασία με το Amazon Quantum Solutions Lab — έχει προτείνει και εφαρμόσει ένα ερμηνεύσιμο μοντέλο μηχανικού μάθησης για Εξηγήσιμη ΤΝ (ΕΞΤΝ) με βάση εκφραστικές βουλητικές τύπου. Μια τέτοια προσέγγιση μπορεί να περιλαμβάνει οποιοδήποτε τελεστή που μπορεί να εφαρμοστεί σε μία ή περισσότερες βουλητικές μεταβλητές, παρέχοντας ainsi υψηλότερη εκφραστικότητα σε σύγκριση με πιο αυστηρές κανόνες- και δέντρα-βασισμένες προσεγγίσεις.

Μπορείτε να διαβάσετε το πλήρες έγγραφο εδώ για λεπτομερείς πληροφορίες σχετικά με αυτό το έργο.

Η υπόθεσή μας ήταν ότι既然 τα μοντέλα — όπως τα δέντρα απόφασης — μπορούν να γίνουν βαθιά και δύσκολα να ερμηνευτούν, η ανάγκη να βρεθεί μια εκφραστική κανόνα με χαμηλή πολυπλοκότητα αλλά υψηλή ακρίβεια ήταν ένα δυσκόλως λυσιμο πρόβλημα βελτιστοποίησης που χρειαζόταν να λυθεί. Επιπλέον, με την απλοποίηση του μοντέλου μέσω αυτής της προηγμένης προσέγγισης ΕΞΤΝ, μπορούσαμε να επιτύχουμε πρόσθετα οφέλη, όπως την έκθεση των προκαταλήψεων που είναι σημαντικές στο контέκστ της ηθικής και υπεύθυνης χρήσης του ML· ενώ επίσης καθιστά πιο εύκολη τη συντήρηση και βελτίωση του μοντέλου.

Προτείναμε μια προσέγγιση με βάση εκφραστικές βουλητικές τύπου γιατί ορίζουν κανόνες με ρυθμιζόμενη πολυπλοκότητα (ή ερμηνευσιμότητα) σύμφωνα με την οποία τα δεδομένα εισόδου ταξινομούνται. Μια τέτοια τύπος μπορεί να περιλαμβάνει οποιοδήποτε τελεστή που μπορεί να εφαρμοστεί σε μία ή περισσότερες βουλητικές μεταβλητές (όπως And ή AtLeast), παρέχοντας ainsi υψηλότερη εκφραστικότητα σε σύγκριση με πιο αυστηρές κανόνες- και δέντρα-βασισμένες μεθοδολογίες.

Σε αυτό το πρόβλημα έχουμε δύο ανταγωνιστικά αντικείμενα: τη μεγιστοποίηση της απόδοσης του αλγορίθμου, ενώ τη μείωση της πολυπλοκότητας. Έτσι, αντί να ακολουθήσουμε την τυπική προσέγγιση της εφαρμογής ενός από τα δύο μεθόδους βελτιστοποίησης – συνδυάζοντας πολλαπλά αντικείμενα σε ένα ή περιορίζοντας ένα από τα αντικείμενα – επέλεξαμε να περιλαμβάνουμε και τα δύο στη διατύπωσή μας. Κάνοντας così, και χωρίς απώλεια γενικότητας, χρησιμοποιούμε κυρίως την ισορροπημένη ακρίβεια ως τον κύριο δείκτη απόδοσης.

Επίσης, με την συμπερίληψη τελεστών όπως AtLeast, μας мотίβισε η ιδέα της αντιμετώπισης της ανάγκης για υψηλά ερμηνεύσιμες λίστες ελέγχου, όπως μια λίστα ιατρικών συμπτωμάτων που σηματοδοτούν μια συγκεκριμένη κατάσταση. Είναι πιθανό ότι μια απόφαση θα ληφθεί χρησιμοποιώντας μια τέτοια λίστα συμπτωμάτων με έναν τρόπο με τον οποίο θα πρέπει να είναι παρόντα τουλάχιστον ένα ελάχιστο αριθμό για μια θετική διάγνωση. Παρόμοια, στις χρηματοοικονομικές, μια τράπεζα μπορεί να αποφασίσει αν θα χορηγήσει πίστωση σε einen πελάτη με βάση την παρουσία ενός ορισμένου αριθμού παραγόντων από μια μεγαλύτερη λίστα.

Εφαρμόσαμε με επιτυχία το μοντέλο ΕΞΤΝ μας και το αξιολογήσαμε σε κάποια δημόσια σύνολα δεδομένων για πίστωση, συμπεριφορά πελατών και ιατρικές καταστάσεις. Βρήκαμε ότι το μοντέλο μας είναι γενικά ανταγωνιστικό με άλλα γνωστά εναλλακτικά. Βρήκαμε επίσης ότι το μοντέλο ΕΞΤΝ μας μπορεί να τροφοδοτηθεί από ειδικούς σκοπούς υλικού ή κβαντικά συσκευές για την επίλυση γρήγορων προβλημάτων Integer Linear Programming (ILP) ή Quadratic Unconstrained Binary Optimization (QUBO). Η προσθήκη λύσεων QUBO μειώνει τον αριθμό των επαναλήψεων – οδηγώντας σε μια ταχύτητα από την ταχεία πρόταση μη τοπικών κινήσεων.

Όπως σημειώθηκε, τα μοντέλα εξηγήσιμης ΤΝ με βάση εκφραστικές βουλητικές τύπου μπορούν να έχουν πολλές εφαρμογές στην υγεία και στο πεδίο των χρηματοοικονομικών της Fidelity (όπως η αξιολόγηση πίστωσης ή για να αξιολογήσουν το γιατί κάποιοι πελάτες μπορεί να επέλεξαν ένα προϊόν ενώ άλλοι δεν το έκαναν). Δημιουργώντας αυτές τις ερμηνεύσιμες κανόνες, μπορούμε να επιτύχουμε υψηλότερα επίπεδα εστιγμάτων που μπορούν να οδηγήσουν σε μελλοντικές βελτιώσεις στην ανάπτυξη ή την εξέλιξη προϊόντων, καθώς και στην оптимποίηση των营销 καμπανιών.

Βάσει των ευρημάτων μας, έχουμε καθορίσει ότι η Εξηγήσιμη ΤΝ με εκφραστικές βουλητικές τύπου είναι και κατάλληλη και επιθυμητή για αυτές τις περιπτώσεις χρήσης που απαιτούν περαιτέρω εξηγήσιμη ΤΝ. Plus, καθώς η κβαντική υπολογιστική συνεχίζει να αναπτύσσεται, προβλέπουμε την ευκαιρία να κερδίσουμε πιθανές ταχύτητες από την χρήση της και άλλων ειδικών σκοπούς υλικού και επιταχυντών.

Μελλοντική εργασία μπορεί να επικεντρωθεί στην εφαρμογή αυτών των ταξινομητών σε άλλα σύνολα δεδομένων, την εισαγωγή νέων τελεστών ή την εφαρμογή αυτών των εννοιών σε άλλες περιπτώσεις χρήσης.