Etkileyici Boole Formülleri Kullanan Açıklanabilir Yapay Zeka

Yapay zeka (AI) ve makine öğrenimi uygulamalarındaki patlama neredeyse her sektöre ve yaşamın kesitine nüfuz ediyor.

Ancak büyümesi ironi olmadan gelmiyor. AI, karar vermeyi veya iş akışlarını basitleştirmek ve/veya hızlandırmak için var olsa da, bunu yapmanın metodolojisi genellikle son derece karmaşıktır. Gerçekten de, bazı "kara kutu" makine öğrenimi algoritmaları o kadar karmaşık ve çok yönlüdür ki, onları yaratan bilgisayar bilimcilerin bile basit açıklamalarına meydan okuyabilirler.

Finans ve tıp alanları gibi belirli kullanım durumları, yapay zeka çözümlerinin iç işleyişine ilişkin şeffaf açıklamalar gerektiren endüstrinin en iyi uygulamaları veya hükümet düzenlemeleri tarafından tanımlandığında bu oldukça sorunlu olabilir. Ve bu uygulamalar, açıklanabilirlik gerekliliklerini karşılayacak kadar anlamlı değilse, genel etkinlikleri ne olursa olsun yararsız hale getirilebilir.

Bu muammayı çözmek için ekibimiz Uygulamalı Teknoloji için Sadakat Merkezi (FCAT) — Amazon Quantum Solutions Lab ile iş birliği içinde — Açıklayıcı Yapay Zeka (XAI) için anlamlı Boolean formüllerine dayanan, yorumlanabilir bir makine öğrenimi modeli önermiş ve uygulamıştır. Böyle bir yaklaşım, bir veya daha fazla Boole değişkenine uygulanabilen herhangi bir işleci içerebilir, böylece daha katı kural tabanlı ve ağaç tabanlı yaklaşımlara kıyasla daha yüksek ifade gücü sağlar.

Okuyabilirsiniz Tam kağıt Bu proje hakkında kapsamlı ayrıntılar için burada.

Hipotezimiz, karar ağaçları gibi modeller derinleşebileceği ve yorumlanması zor olabileceği için, karmaşıklığı düşük ancak yüksek doğruluğu olan ifade edici bir kural bulma ihtiyacının çözülmesi gereken zorlu bir optimizasyon sorunu olduğuydu. Ayrıca, bu gelişmiş XAI yaklaşımıyla modeli basitleştirerek, makine öğreniminin etik ve sorumlu kullanımı bağlamında önemli olan önyargıları ortaya çıkarmak; aynı zamanda modelin bakımını ve geliştirilmesini kolaylaştırır.

Girdi verilerinin sınıflandırılmasına göre ayarlanabilir karmaşıklığa (veya yorumlanabilirliğe) sahip kurallar tanımladıkları için ifade edici Boolean formüllerine dayalı bir yaklaşım önerdik. Böyle bir formül, bir veya daha fazla Boole değişkenine (And veya AtLeast gibi) uygulanabilen herhangi bir işleci içerebilir, böylece daha katı kural tabanlı ve ağaç tabanlı metodolojilere kıyasla daha yüksek ifade gücü sağlar.

Bu problemde birbiriyle yarışan iki amacımız var: algoritmanın performansını en üst düzeye çıkarırken karmaşıklığını en aza indirmek. Bu nedenle, iki optimizasyon yönteminden birini uygulamaya yönelik tipik yaklaşımı benimsemek (birden çok hedefi tek bir hedefte birleştirmek veya hedeflerden birini kısıtlamak) yerine, her ikisini de formülasyonumuza dahil etmeyi seçtik. Bunu yaparken ve genelliği kaybetmeden, kapsayıcı performans ölçütümüz olarak ağırlıklı olarak dengeli doğruluğu kullanırız.

Ayrıca, AtLeast gibi operatörleri dahil ederek, belirli bir duruma işaret eden tıbbi semptomların bir listesi gibi yüksek oranda yorumlanabilir kontrol listelerine olan ihtiyacı ele alma fikri bizi motive etti. Pozitif bir teşhis için minimum bir sayının bulunmasını gerektirecek şekilde, bu tür bir semptom kontrol listesi kullanılarak bir karar verilmesi düşünülebilir. Benzer şekilde, finansta bir banka, daha geniş bir listeden belirli sayıda faktörün varlığına bağlı olarak bir müşteriye kredi verip vermemeye karar verebilir.

XAI modelimizi başarıyla uyguladık ve kredi, müşteri davranışı ve tıbbi durumlar için bazı kamuya açık veri setlerinde kıyaslama yaptık. Modelimizin genel olarak diğer iyi bilinen alternatiflerle rekabet ettiğini bulduk. Ayrıca XAI modelimizin, hızlı Tamsayılı Doğrusal Programlama (ILP) veya Kuadratik Sınırsız İkili Optimizasyon (QUBO) çözmek için potansiyel olarak özel amaçlı donanım veya kuantum cihazları tarafından desteklenebileceğini bulduk. QUBO çözücülerinin eklenmesi yineleme sayısını azaltır - böylece yerel olmayan hareketlerin hızlı bir şekilde önerilmesiyle hızlanmaya yol açar.

Belirtildiği gibi, Boole formüllerini kullanan açıklanabilir AI modelleri, sağlık hizmetlerinde ve Fidelity'nin finans alanında birçok uygulamaya sahip olabilir (kredi puanlama veya neden bazı müşterilerin bir ürünü seçerken diğerlerinin seçmediğini değerlendirmek gibi). Bu yorumlanabilir kuralları oluşturarak, pazarlama kampanyalarını optimize etmenin yanı sıra ürün geliştirme veya iyileştirmede gelecekte iyileştirmelere yol açabilecek daha yüksek içgörü seviyelerine ulaşabiliriz.

Bulgularımıza dayanarak, anlamlı Boolean formülleri kullanan Açıklanabilir Yapay Zekanın, daha fazla açıklanabilirliği zorunlu kılan kullanım durumları için hem uygun hem de arzu edilir olduğunu belirledik. Artı, kuantum bilişim gelişmeye devam ettikçe, onu ve diğer özel amaçlı donanım hızlandırıcıları kullanarak potansiyel hızlanmalar elde etme fırsatını öngörüyoruz.

Gelecekteki çalışmalar, bu sınıflandırıcıları diğer veri kümelerine uygulamaya, yeni işleçler sunmaya veya bu kavramları diğer kullanım durumlarına uygulamaya odaklanabilir.