Explainable AI Ngagunakeun Rumus Boolean Ekspresif

Ledakan dina intelijen buatan (AI) sareng aplikasi pembelajaran mesin nembus ampir unggal industri sareng potongan kahirupan.

Tapi tumuwuhna teu datangna tanpa ironi. Sanaos AI aya pikeun nyederhanakeun sareng/atanapi ngagancangkeun pengambilan kaputusan atanapi alur kerja, metodologi pikeun ngalakukeunana sering pisan rumit. Mémang, sababaraha algoritma pembelajaran mesin "kotak hideung" rumit pisan sareng rupa-rupa anu tiasa nolak panjelasan anu saderhana, bahkan ku para ilmuwan komputer anu nyiptakeunana.

Éta tiasa janten masalah nalika kasus pamakean anu tangtu - sapertos dina widang keuangan sareng ubar - ditetepkeun ku prakték pangsaéna industri atanapi peraturan pamaréntahan anu meryogikeun panjelasan transparan kana cara kerja jero solusi AI. Tur upami aplikasi ieu teu cukup ekspresif pikeun minuhan sarat explainability, aranjeunna bisa jadi rendered gunana paduli efficacy maranéhanana sakabéh.

Pikeun alamat conundrum ieu, tim kami di Fidelity Center pikeun Téhnologi Terapan (FCAT) — gawé bareng jeung Amazon Quantum Solutions Lab — geus ngusulkeun jeung nerapkeun modél pembelajaran mesin anu bisa diinterpretasi pikeun Explainable AI (XAI) dumasar kana rumus Boolean ekspresif. Pendekatan sapertos kitu tiasa kalebet operator naon waé anu tiasa diterapkeun kana hiji atanapi langkung variabel Boolean, sahingga masihan ekspresi anu langkung luhur dibandingkeun sareng pendekatan dumasar aturan sareng tangkal anu langkung kaku.

Anjeun tiasa maca kertas pinuh dieu pikeun detil komprehensif ngeunaan proyék ieu.

Hipotesis urang éta saprak model - kayaning tangkal kaputusan - bisa meunang jero tur hésé napsirkeun, kabutuhan pikeun manggihan hiji aturan ekspresif jeung pajeulitna low tapi akurasi tinggi éta hiji masalah optimasi intractable nu diperlukeun pikeun direngsekeun. Salajengna, ku nyederhanakeun model ngaliwatan pendekatan XAI canggih ieu, urang bisa ngahontal kauntungan tambahan, kayaning exposing biases anu penting dina konteks pamakéan etika jeung tanggung jawab ML; bari ogé ngagampangkeun pikeun ngajaga sareng ningkatkeun modél.

Urang ngajukeun pendekatan dumasar kana rumus Boolean ekspresif sabab nangtukeun aturan kalawan pajeulitna tunable (atawa interpretability) nurutkeun nu data input keur digolongkeun. Rumus sapertos kitu tiasa kalebet operator naon waé anu tiasa diterapkeun kana hiji atanapi langkung variabel Boolean (sapertos And or AtLeast), sahingga masihan ekspresi anu langkung luhur dibandingkeun sareng metodologi dumasar aturan sareng tangkal anu langkung kaku.

Dina masalah ieu kami boga dua tujuan competing: maximizing kinerja algoritma, bari ngaminimalkeun pajeulitna na. Ku kituna, tinimbang nyokot pendekatan has nerapkeun salah sahiji dua métode optimasi - ngagabungkeun sababaraha tujuan kana hiji atawa constraining salah sahiji tujuan - urang milih kaasup duanana dina rumusan urang. Dina ngalakukeun kitu, sarta tanpa leungitna umum, urang utamana ngagunakeun akurasi saimbang salaku métrik kinerja overarching urang.

Ogé, ku kalebet operator sapertos AtLeast, kami didorong ku ideu pikeun ngabéréskeun kabutuhan daptar pariksa anu tiasa diinterpretasi, sapertos daptar gejala médis anu nunjukkeun kaayaan khusus. Bisa dibayangkeun yén kaputusan bakal dilakukeun ku ngagunakeun daptar pariksa sapertos gejala ku cara anu jumlah minimum kedah hadir pikeun diagnosis anu positif. Nya kitu, dina kauangan, bank tiasa mutuskeun naha masihan kiridit ka nasabah atanapi henteu dumasar kana ayana sababaraha faktor tina daptar anu langkung ageung.

Kami suksés ngalaksanakeun modél XAI kami, sareng tolok ukur dina sababaraha set data umum pikeun kiridit, paripolah palanggan sareng kaayaan médis. Kami mendakan yén modél kami umumna bersaing sareng alternatif anu terkenal sanés. Kami ogé mendakan yén modél XAI kami berpotensi tiasa dikuatkeun ku hardware tujuan khusus atanapi alat kuantum pikeun ngarengsekeun Integer Linear Programming (ILP) gancang atanapi Quadratic Unconstrained Binary Optimization (QUBO). Ditambahkeun QUBO solvers ngurangan jumlah iterations - sahingga ngarah ka speedup ku proposal gancang belah non-lokal.

Sakumaha anu kacatet, model AI anu tiasa dijelaskeun nganggo rumus Boolean tiasa gaduh seueur aplikasi dina kasehatan sareng di bidang keuangan Fidelity (sapertos nyetak kiridit atanapi pikeun meunteun naha sababaraha palanggan parantos milih produk sedengkeun anu sanésna henteu). Ku nyieun aturan interpretable ieu, urang bisa attain tingkat luhur wawasan nu bisa ngakibatkeun kamajuan hareup dina ngembangkeun produk atawa Perbaikan, kitu ogé optimizing kampanye pamasaran.

Dumasar papanggihan urang, kami geus ditangtukeun yén Explainable AI ngagunakeun rumus Boolean ekspresif duanana luyu jeung desirable pikeun maranéhanana kasus pamakéan anu mandat explainability salajengna. Salaku tambahan, nalika komputasi kuantum terus berkembang, kami ngarepkeun kasempetan pikeun ngagancangkeun poténsial ku ngagunakeun éta sareng akselerator hardware tujuan khusus anu sanés.

Karya anu bakal datang tiasa dipuseurkeun kana nerapkeun klasifikasi ieu kana set data anu sanés, ngenalkeun operator énggal, atanapi nerapkeun konsép ieu kana kasus kagunaan anu sanés.