ရိုးရှင်းသော AI သည် ဘဏ်မန်နေဂျာများ၏ ချေးငွေဆုံးဖြတ်ချက်များကို 95% ကျော်အထိ တိကျမှုကို မျှော်မှန်းနိုင်သည်

သုတေသနပရောဂျက်အသစ်တစ်ခုသည် လူ့ဘဏ်မန်နေဂျာများပြုလုပ်သော လိုသလိုဆုံးဖြတ်ချက်များကို စက်သင်ယူမှုစနစ်များဖြင့် 95% ထက်ပိုမိုတိကျအောင် ထပ်တူပွားနိုင်သည်ကို တွေ့ရှိခဲ့သည်။

အခွင့်ထူးခံဒေတာအတွဲတစ်ခုရှိ ဘဏ်မန်နေဂျာများအတွက် ရရှိနိုင်သော တူညီသောဒေတာကို အသုံးပြု၍ စမ်းသပ်မှုတွင် အကောင်းဆုံးလုပ်ဆောင်နိုင်သော အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။ ကျပန်းသစ်တော အကောင်အထည်ဖော်ခြင်း - အလွန်ရိုးရှင်းသောချဉ်းကပ်မှုဖြစ်သည်။ အသက်နှစ်ဆယ်ဒါပေမယ့် ချေးငွေနဲ့ပတ်သက်တဲ့ နောက်ဆုံးဆုံးဖြတ်ချက်တွေ ချမှတ်တဲ့ လူ့ဘဏ်မန်နေဂျာတွေရဲ့ အပြုအမူကို အတုယူဖို့ ကြိုးစားနေချိန်မှာတော့ အာရုံကြောကွန်ရက်ကို စွမ်းဆောင်ရည်ထက် သာလွန်နေပါသေးတယ်။

ပရောဂျက်အတွက် ၎င်းတို့၏ အရှိန်အဟုန်ဖြင့် လုပ်ဆောင်ခဲ့သော လေးခုအနက်မှ တစ်ခုဖြစ်သော Random Forest algorithm သည် အယ်လဂိုရီသမ်၏ ရိုးရှင်းမှုဖြစ်သော်လည်း ဘဏ်မန်နေဂျာများ၏ စွမ်းဆောင်ရည်နှင့် လူသားနှင့်ညီမျှသော ရမှတ်များနှင့် မြင့်မားသော စွမ်းဆောင်ရည်ကို ရရှိသည်။ source: မန်နေဂျာများနှင့် စက်များ- အယ်လဂိုရီသမ်များသည် ခရက်ဒစ်အဆင့်သတ်မှတ်ချက်များတွင် လူသားတို့၏ ပင်ကိုယ်သဘောကို ထပ်တူပြုသလား။, https://arxiv.org/pdf/2202.04218.pdf

'ကြီးမားသော ကူးသန်းရောင်းဝယ်ရေးဘဏ်' တွင် ထူးခြားသော ဖောက်သည် 37,449 ဦးရှိ 4,414 ချေးငွေအဆင့်သတ်မှတ်ချက်များ၏ သီးသန့်ဒေတာအတွဲကို ဝင်ရောက်ကြည့်ရှုနိုင်ခဲ့သော သုတေသီများသည် မန်နေဂျာများ ဆုံးဖြတ်ချက်ချရန်အတွက် အလိုအလျောက် ဒေတာခွဲခြမ်းစိတ်ဖြာမှု ပေးထားသည့် အလိုအလျောက် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ကြိုတင်ပုံနှိပ်စာရွက်တွင် အချက်များစွာကို အကြံပြုထားသည်။ ဘဏ်မန်နေဂျာများသည် ၎င်းနှင့်သွေဖည်သွားခဲသောကြောင့် ဘဏ်မန်နေဂျာများသည် ချေးငွေအတည်ပြုခြင်းလုပ်ငန်းစဉ်တွင် အဓိကအားဖြင့် ချေးငွေပျက်ကွက်သည့်အခြေအနေတွင် တစ်စုံတစ်ဦးအား ဆက်လက်ထိန်းသိမ်းထားရန် ပါဝင်သည်။

စာတမ်းတွင် -

'လက်တွေ့ရှုထောင့်မှကြည့်လျှင် ကျွန်ုပ်တို့၏ရလဒ်များသည် ဘဏ်သည် လူသားချေးငွေမန်နေဂျာများမရှိလျှင် ချေးငွေပိုမိုမြန်ဆန်ပြီး စျေးသက်သာနိုင်ကြောင်း ညွှန်ပြနေသည်မှာ မှတ်သားထိုက်ပါသည်။ မန်နေဂျာများသည် လုပ်ငန်းမျိုးစုံကို သဘာဝအတိုင်း လုပ်ဆောင်နေသော်လည်း ၎င်းတို့သည် ဤအထူးတာဝန်အတွက် မရှိမဖြစ်လိုအပ်ပြီး အတော်လေးရိုးရှင်းသော အယ်လဂိုရီသမ်တစ်ခုလည်း လုပ်ဆောင်နိုင်သည်ဟု စောဒကတက်ရန် ခက်ခဲသည်။

'အပိုဆောင်းဒေတာနှင့် တွက်ချက်မှုစွမ်းအားဖြင့် ဤ algorithms များကိုလည်း ပိုမိုတိုးတက်ကောင်းမွန်လာစေနိုင်ကြောင်း သတိပြုရန် အရေးကြီးပါသည်။'

အဆိုပါ စက္ကူ ခေါင်းစဉ်ဖြစ်ပါတယ် မန်နေဂျာများနှင့် စက်များ- အယ်လဂိုရီသမ်များသည် ခရက်ဒစ်အဆင့်သတ်မှတ်ချက်များတွင် လူသားတို့၏ ပင်ကိုယ်သဘောကို ထပ်တူပြုသလား။နှင့် UoC Irvine နှင့် ဘရာဇီးရှိ ဆက်သွယ်ရေး BBM ဘဏ်တို့မှ စီးပွားရေးနှင့် စာရင်းအင်းဌာနမှ ဆင်းသက်လာသည်။

ခရက်ဒစ်အဆင့်အကဲဖြတ်မှုတွင် စက်ရုပ်လူသားအပြုအမူ

ရလဒ်များက စက်သင်ယူမှုစနစ်များသည် ချေးငွေနှင့် အကြွေးအဆင့်သတ်မှတ်ချက်များနှင့်ပတ်သက်၍ ဆုံးဖြတ်ချက်များချရာတွင် ပိုကောင်းကြောင်း အဓိပ္ပာယ်မရှိသော်လည်း ယခုအခါ အလွန်နိမ့်ကျသည်ဟု ယူဆထားသည့် algorithms များပင်လျှင် တူညီသောဒေတာများမှ လူသားများကဲ့သို့ တူညီသော ကောက်ချက်ဆွဲနိုင်မည်ဖြစ်သည်။

အစီရင်ခံစာတွင် ဘဏ်မန်နေဂျာများအား ကိန်းဂဏန်းနှင့် ခွဲခြမ်းစိတ်ဖြာမှုရမှတ်စနစ်က ၎င်းတို့တင်ပြသည့် အန္တရာယ်ရမှတ်များကို မြှင့်တင်ပေးသည့် 'meatware firewall' အမျိုးအစားတစ်ခုအဖြစ် ဘဏ်မန်နေဂျာများအား အဓိပ္ပါယ်ဖွင့်ဆိုထားသည် (ဘဏ်လုပ်ငန်းတွင် 'notching' ဟုခေါ်သော အလေ့အကျင့်တစ်ခု)။

'အချိန်ကြာလာသည်နှင့်အမျှ မန်နေဂျာများသည် ပိုမိုကောင်းမွန်သောစွမ်းဆောင်ရည်ကို ညွှန်ပြနိုင်သော သို့မဟုတ် အမှတ်စာရင်းကတ်ကဲ့သို့သော အယ်လ်ဂိုရီသမ်နည်းလမ်းများအပေါ် မှီခိုအားထားနိုင်သည့် ဆုံးဖြတ်ချက်နည်းသော ဆုံးဖြတ်ချက်ကို အသုံးချနေကြပုံပေါ်သည်။'

သုတေသီများက မှတ်ချက်ပြုသည်။

'ဤစာတမ်းပါ ရလဒ်များသည် ကျွမ်းကျင်သောဘဏ်မန်နေဂျာများက လုပ်ဆောင်သော ဤအထူးတာဝန်ကို ရိုးရှင်းသော အယ်လဂိုရီသမ်များဖြင့် အလွယ်တကူ ပုံတူကူးယူနိုင်ကြောင်း ပြသပါသည်။ စက်မှုလုပ်ငန်းခွင်ရှိ မတူညီမှုများကို ကောင်းစွာချိန်ညှိခြင်းဖြင့် အဆိုပါ အယ်လဂိုရီသမ်များ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်ပြီး ချေးငွေအလေ့အကျင့်များတွင် တရားမျှတမှုကို ထည့်သွင်းစဉ်းစားခြင်း သို့မဟုတ် အခြားလူမှုရေးဆိုင်ရာ ရည်မှန်းချက်များကို မြှင့်တင်ခြင်းကဲ့သို့သော နောက်ဆက်တွဲပန်းတိုင်များပါ၀င်ရန် လွယ်ကူစွာ တိုးချဲ့နိုင်သည်။'

ခြားနားချက်ကို သတိပြုပါ- အမှတ်စာရင်း (အလိုအလျောက်) အဆင့်သတ်မှတ်ခြင်း၏ အန္တရာယ်အကဲဖြတ်ခြင်းကို လုပ်ငန်းတွင် ဆုံးဖြတ်ချက်များချခဲ့သည့် ဘဏ်မန်နေဂျာများမှ ကိန်းဂဏန်းအချက်အလတ်များ ('notched') ကို အကဲဖြတ်ခြင်း - ပုံတူကူးယူနိုင်သော လုပ်ထုံးလုပ်နည်း။

ဘဏ်မန်နေဂျာများသည် ၎င်းကို အယ်လဂိုရီသမ်နှင့် ကြိုတင်မှန်းဆနိုင်သော ပုံစံဖြင့် လုပ်ဆောင်ကြောင်း ဒေတာများက အကြံပြုထားသောကြောင့် ၎င်းတို့၏ ပြုပြင်ပြောင်းလဲမှုများကို ပုံတူကူးရန် ခက်ခဲသည်မဟုတ်။ လုပ်ငန်းစဉ်သည် မူရင်းအမှတ်စာရင်းဒေတာကို 'ဒုတိယခန့်မှန်းချက်များ' ရိုးရှင်းစွာလုပ်ဆောင်ပြီး ကြိုတင်မှန်းဆနိုင်သောအနားသတ်များအတွင်း အန္တရာယ်အဆင့်သတ်မှတ်ချက်အပေါ်သို့ ချိန်ညှိပေးသည်။

နည်းလမ်းနှင့်ဒေတာ

ပရောဂျက်၏ ဖော်ပြထားသည့် ရည်ရွယ်ချက်မှာ လက်ရှိချေးငွေလျှောက်ထားမှု လုပ်ငန်းစဉ်ဘောင်များကို အစားထိုးရန် ဒီဇိုင်းထုတ်ထားသော ဆန်းသစ်သော အခြားရွေးချယ်မှုစနစ်များ ဖွံ့ဖြိုးတိုးတက်စေရန်ထက် အမှတ်ပေးစနစ်နှင့် ၎င်းတို့ရရှိနိုင်သော အခြားပြောင်းလဲမှုများအပေါ် အခြေခံ၍ ဘဏ်မန်နေဂျာများ ချမှတ်မည့် ဆုံးဖြတ်ချက်များကို မျှော်မှန်းရန်ဖြစ်သည်။

ပရောဂျက်အတွက် စမ်းသပ်ထားသော စက်သင်ယူမှုနည်းလမ်းများမှာ Multinomial Logistic LASSO (MNL-LASSO), အာရုံကြောကွန်ရက်များနှင့် အကောင်အထည်ဖော်မှုနှစ်ခု အမျိုးအစားခွဲခြင်းနှင့် ဆုတ်ယုတ်မှုသစ်ပင်များ (လှည်း): ကျပန်းသစ်တောနှင့် Gradient မြှင့်တင်ခြင်း။.

ပရောဂျက်သည် လက်တွေ့ကမ္ဘာမှ အကြွေးအဆင့်သတ်မှတ်ခြင်းလုပ်ငန်းအတွက် အမှတ်စာရင်းဒေတာနှင့် ၎င်း၏ရလဒ်တို့ကို ဒေတာတွင် သိထားသည့်အတိုင်း ထည့်သွင်းစဉ်းစားသည်။ Scorecard rating သည် ရှေးအကျဆုံး algorithmic အလေ့အကျင့်များထဲမှ တစ်ခုဖြစ်ပြီး၊ အဆိုပြုထားသော ချေးငွေအတွက် အဓိကကျသော variable များကို risk matrix အဖြစ် တွက်ချက်ကာ မကြာခဏ ရိုးရှင်းသည့်နည်းလမ်းဖြင့်၊ Logistic ဆုတ်ယုတ်.

ရလဒ်များ

MNL-LASSO သည် စမ်းသပ်ထားသည့် အယ်လဂိုရီသမ်များကြားတွင် အဆိုးရွားဆုံးဖြစ်ပြီး ချေးငွေ၏ 53% ကို အကဲဖြတ်သည့်ကိစ္စများတွင် လက်တွေ့ဘဝမန်နေဂျာနှင့် နှိုင်းယှဉ်ပါက ချေးငွေ၏ XNUMX% ကို အောင်မြင်စွာ ခွဲခြားနိုင်ခဲ့သည်။

Random Forest နှင့် Gradient Boosting ပါ၀င်သော အခြားနည်းလမ်းသုံးမျိုး ( CART နှင့် ) အားလုံးသည် တိကျမှုနှင့် Root Mean Square Error ဆိုင်ရာ သတ်မှတ်ချက်များတွင် အနည်းဆုံး 90% ရမှတ် (RMSE).

သို့သော်၊ Random Forest ၏ CART ကို အကောင်အထည်ဖော်မှုသည် အံ့အားသင့်ဖွယ် 96% နီးပါးရမှတ်ရရှိခဲ့ပြီး Gradient Boosting နှင့် နီးကပ်စွာနောက်တွင်ပါရှိသည်။

ablation လေ့လာမှုများ (ဇယားအောက်ပိုင်းအပိုင်း) တွင် စာမေးပွဲများအတွင်း အမှတ်ပေးကတ် အဆင့်သတ်မှတ်ခြင်းကို ဖယ်ရှားလိုက်သော်လည်း၊ အယ်လဂိုရီသမ်များသည် ခရက်ဒစ်အဆင့်သတ်မှတ်မှုအတွက် လူ့ဘဏ်မန်နေဂျာများ၏ ပိုင်းခြားသိမြင်မှုကို ပုံတူကူးရာတွင် ထူးခြားသောစွမ်းဆောင်ရည်ကို ရရှိစေသည်။

အံ့အားသင့်စရာမှာ၊ ၎င်းတို့၏ အကောင်အထည်ဖော်နေသော အာရုံကြောကွန်ရက်သည် ပိုမိုကျယ်ပြန့်သော RMSE ကွာဟချက်ဖြင့် ၎င်းတို့၏ အကောင်အထည်ဖော်နေသော အာရုံကြောကွန်ရက်၏ ရမှတ် 93% သာ ရရှိပြီး လူသားမှထုတ်လုပ်သော ခန့်မှန်းချက်များနှင့် အကွာအဝေးတွင် စွန့်စားရမည့်တန်ဖိုးများကို အထစ်အမြောက်များထုတ်ပေးကြောင်း တွေ့ရှိခဲ့သည်။

စာရေးသူ သတိပြုမိသည်မှာ-

'[ဤ] ရလဒ်များသည် ရည်ရွယ်ချက် ပုံသေဖြစ်နိုင်ခြေကဲ့သို့ ပြင်ပမက်ထရစ်၏ တိကျမှုနှင့်ပတ်သက်၍ အခြားနည်းလမ်းတစ်ခုထက် သာလွန်ကြောင်း ဖော်ပြမထားပေ။ ဥပမာအားဖြင့် Neural Network သည် ထိုအမျိုးအစားခွဲခြားခြင်းလုပ်ငန်းအတွက် အကောင်းဆုံးဖြစ်နိုင်ချေရှိသည်။

'ဤနေရာတွင် ရည်ရွယ်ချက်မှာ လူသားမန်နေဂျာ၏ ရွေးချယ်မှုကို ပုံတူကူးချရန်သာဖြစ်ပြီး ဤတာဝန်အတွက် Random Forest သည် စုံစမ်းစစ်ဆေးထားသော မက်ထရစ်များတစ်လျှောက် အခြားနည်းလမ်းအားလုံးထက် သာလွန်နေပုံရသည်။'

မျိုးပွားခြင်းမပြုနိုင်သောစနစ်၏ 5% ကို လွှမ်းခြုံထားသောစက်မှုလုပ်ငန်း၏ မျိုးရိုးဗီဇအရ သုတေသီများအဆိုအရ၊ မန်နေဂျာများ၏ 5% သည် ဤကွဲလွဲမှုအားလုံးနီးပါးအတွက် တွက်ချက်ထားပြီး ပိုမိုအသေးစိတ်သောစနစ်များသည် နောက်ဆုံးတွင် ထိုကဲ့သို့သောအသုံးပြုမှုကိစ္စရပ်များကို ဖုံးကွယ်နိုင်ပြီး အားနည်းချက်များကို ပိတ်ပစ်နိုင်မည်ဟု ယုံကြည်ကြသည်။

တာဝန်ခံမှုသည် အလိုအလျောက်လုပ်ဆောင်ရန် ခက်ခဲသည်။

နောက်ဆက်တွဲဆက်စပ်ပရောဂျက်များတွင် ပါဝင်လာပါက 'ဘဏ်မန်နေဂျာ' အခန်းကဏ္ဍကို နှိုင်းယှဉ်နိုင်သော စက်စနစ်များ၏ တိကျမှုရှိချိန်တွင် နှိုင်းယှဉ်နိုင်သော စက်စနစ်များ၏ တိကျမှုရှိချိန်တွင် တစ်ချိန်က သြဇာကြီးမားသော အခွင့်အာဏာနှင့် ပိုင်းခြားသိမြင်မှု တိုးပွားလာနေသော ကေဒါများတွင် 'ဘဏ်မန်နေဂျာ' အခန်းကဏ္ဍကို ထည့်သွင်းနိုင်မည်ဟု အကြံပြုထားသည်။ ရေရှည်တွင် စမ်းသပ်သည်။ ပျက်ပြားစေ၏။ အများအားဖြင့် ရာထူး၊ အချို့သော အရေးကြီးသော အလုပ်များကို အလိုအလျောက် မရနိုင်ပါ။

သို့သော်လည်း ဘဏ်မန်နေဂျာများအတွက် သတင်းကောင်းမှာ နိုင်ငံရေးအမြင်အရ ခရက်ဒစ်အဆင့်သတ်မှတ်ချက်အကဲဖြတ်ခြင်းကဲ့သို့သော အရေးကြီးသောလူမှုရေးလုပ်ငန်းစဉ်များတွင် လူသား၏တာဝန်ခံမှုလိုအပ်မှုမှာ ၎င်းတို့၏လက်ရှိအခန်းကဏ္ဍများကို ထိန်းသိမ်းထားနိုင်ဖွယ်ရှိသည် - အခန်းကဏ္ဍများ၏ လုပ်ဆောင်ချက်များသည်ပင်လျှင်ပင်၊ စက်သင်ယူမှုစနစ်များဖြင့် လုံးဝ မျိုးပွားနိုင်မည်ဖြစ်သည်။

၂၀၂၂ ခုနှစ် ဖေဖော်ဝါရီလ ၁၈ ရက်နေ့တွင် ပထမဆုံး ထုတ်ဝေခဲ့သည်။