Εξηγήσιμη τεχνητή νοημοσύνη με εκφραστικούς λογικούς τύπους Boolean

Η έκρηξη στις εφαρμογές της τεχνητής νοημοσύνης (ΤΝ) και της μηχανικής 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, ορισμένοι αλγόριθμοι μηχανικής μάθησης τύπου «μαύρου κουτιού» 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 αρκετά 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 αρκετά εκφραστικές 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 μηχανικής μάθησης για Εξηγήσιμη ΤΝ (ΕΞΤΝ) με βάση εκφραστικούς λογικούς τύπους (Boolean). Μια τέτοια προσέγγιση μπορεί να περιλαμβάνει οποιοδήποτε τελεστή που μπορεί να εφαρμοστεί σε μία ή περισσότερες λογικές μεταβλητές, παρέχοντας έτσι υψηλότερη εκφραστικότητα σε σύγκριση με πιο άκαμπτες, βασισμένες σε κανόνες και δέντρα προσεγγίσεις.

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

Η υπόθεσή μας ήταν ότι Καθώς τα μοντέλα — όπως τα δέντρα απόφασης — μπορούν να γίνουν βαθιά και δύσκολα να ερμηνευτούν, η ανάγκη να βρεθεί ένας εκφραστικός κανόνας με χαμηλή πολυπλοκότητα αλλά υψηλή ακρίβεια ήταν ένα δυσεπίλυτο 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 πλαίσιο της ηθικής και υπεύθυνης χρήσης του ML· ενώ επίσης καθιστά πιο εύκολη τη συντήρηση και βελτίωση του μοντέλου.

Προτείναμε μια προσέγγιση με βάση εκφραστικούς λογικούς τύπους (Boolean) γιατί ορίζουν κανόνες με ρυθμιζόμενη πολυπλοκότητα (ή ερμηνευσιμότητα) σύμφωνα με την οποία τα δεδομένα εισόδου ταξινομούνται. Ένας τέτοιος τύπος μπορεί να περιλαμβάνει οποιοδήποτε τελεστή που μπορεί να εφαρμοστεί σε μία ή περισσότερες λογικές μεταβλητές (όπως And ή AtLeast), παρέχοντας έτσι υψηλότερη εκφραστικότητα σε σύγκριση με πιο άκαμπτες, βασισμένες σε κανόνες και δέντρα μεθοδολογίες.

Σε αυτό το πρόβλημα έχουμε δύο ανταγωνιστικούς στόχους: τη μεγιστοποίηση της απόδοσης του αλγορίθμου, με παράλληλη ελαχιστοποίηση της πολυπλοκότητάς του. Έτσι, αντί να ακολουθήσουμε την τυπική προσέγγιση της εφαρμογής μιας από τις δύο μεθόδους βελτιστοποίησης – συνδυάζοντας πολλαπλούς στόχους σε ένα ή περιορίζοντας έναν από τους στόχους – επιλέξαμε να περιλαμβάνουμε και τα δύο στη διατύπωσή μας. Κάνοντας έτσι, και χωρίς απώλεια γενικότητας, χρησιμοποιούμε κυρίως την ισορροπημένη ακρίβεια ως τον κύριο δείκτη απόδοσης.

Επίσης, με την συμπερίληψη τελεστών όπως AtLeast, μας παρακίνησε 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 εμφανίζεται ένας ελάχιστος αριθμός συμπτωμάτων για μια θετική διάγνωση. Παρόμοια, στον χρηματοοικονομικό τομέα, μια τράπεζα μπορεί να αποφασίσει αν θα χορηγήσει πίστωση σε έναν 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 υλικό ειδικού σκοπού ή κβαντικές συσκευές για την επίλυση γρήγορων προβλημάτων Integer Linear Programming (ILP) ή Quadratic Unconstrained Binary Optimization (QUBO). Η προσθήκη επιλυτών QUBO μειώνει τον αριθμό των επαναλήψεων – οδηγώντας σε επιτάχυνση από την ταχεία πρόταση μη τοπικών κινήσεων.

Όπως σημειώθηκε, τα μοντέλα εξηγήσιμης ΤΝ με βάση εκφραστικούς λογικούς τύπους (Boolean) 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 αυτούς τους ερμηνεύσιμους κανόνες, μπορούμε να επιτύχουμε βαθύτερη γνώση που μπορούν να οδηγήσουν σε μελλοντικές βελτιώσεις στην ανάπτυξη ή την εξέλιξη προϊόντων, καθώς και στην βελτιστοποίηση των διαφημιστικών καμπανιών.

Βάσει των ευρημάτων μας, έχουμε καθορίσει ότι η Εξηγήσιμη ΤΝ με εκφραστικούς λογικούς τύπους (Boolean) είναι και κατάλληλη και επιθυμητή για αυτές τις περιπτώσεις χρήσης που απαιτούν περαιτέρω εξηγήσιμη ΤΝ. Επιπλέον, καθώς η κβαντική υπολογιστική συνεχίζει να αναπτύσσεται, προβλέπουμε την ευκαιρία να επιτύχουμε ενδεχόμενες επιταχύνσεις με τη χρήση της και άλλων επιταχυντών υλικού ειδικού σκοπού.

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.