Açıklanabilir Yapay Zeka Kullanarak İfade Edilebilir Boolean Formülleri

Yapay zeka (AI) ve makine öğrenimi uygulamalarındaki patlama neredeyse her endüstriyi ve yaşamın her alanını etkiliyor.

Ancak bu büyüme ironi olmadan gelmiyor. Yapay zeka, karar verme veya iş akışlarını basitleştirmek veya hızlandırmak için var olsa da, bunu yapma yöntemi genellikle son derece karmaşıktır. Aslında, bazı “kara kutu” makine öğrenimi algoritmaları o kadar karmaşık ve çok yönlüdür ki, bunları yaratan bilgisayar bilimcileri tarafından bile basit bir açıklama yapmak mümkün olmayabilir.

Bu, özellikle finans ve tıp gibi endüstrilerde, AI çözümlerinin iç işleyişine ilişkin şeffaf açıklamalar gerektiren endüstri en iyi uygulamaları veya hükümet düzenlemeleri tanımlanan belirli kullanım durumlarında oldukça sorunlu olabilir. Ve bu uygulamalar, açıklanabilirlik gereksinimlerini karşılayamadıkları takdirde, genel etkinliklerine bakılmaksızın işe yaramaz hale gelebilir.

Bu ikilemi çözmek için, Fidelity Center for Applied Technology (FCAT) ekibimiz — Amazon Quantum Solutions Lab ile işbirliği içinde — Açıklanabilir Yapay Zeka (XAI) için yorumlanabilir bir makine öğrenimi modeli önerdi ve uyguladı. Boolean formülleri temel alan bu yaklaşım, bir veya daha fazla Boolean değişkenine uygulanabilecek herhangi bir operatörü içerebilir, böylece daha esnek kural tabanlı ve ağaç tabanlı yaklaşımlara kıyasla daha yüksek ifade yeteneği sağlar.

Tam proje ayrıntıları için tam makaleyi buradan okuyabilirsiniz.

Hipotezimiz, decision trees gibi modellerin derin ve yorumlanması zor olabileceği yönündeydi, bu nedenle düşük kompleksiteye sahip ancak yüksek doğrulukta bir ifade kuralı bulma ihtiyacı, çözülmesi gereken bir optimize etme problemiydi. Ayrıca, bu gelişmiş XAI yaklaşımını kullanarak modeli basitleştirebilir ve böylece etik ve sorumlu ML kullanımı bağlamında önemli olan önyargıları ortaya çıkarabilir ve modeli bakımını ve geliştirmesini kolaylaştırabilirdik.

İfade edilebilir Boolean formülleri temel alan bir yaklaşım önerdik, çünkü bunlar, girdi verilerinin sınıflandırıldığı şekilde kuralları tanımlar ve bu kuralların karmaşıklığı (veya yorumlanabilirliği) ayarlanabilir. Bir Boolean formülü, And veya AtLeast gibi bir veya daha fazla Boolean değişkenine uygulanabilecek herhangi bir operatörü içerebilir, böylece daha esnek kural tabanlı ve ağaç tabanlı yaklaşımlara kıyasla daha yüksek ifade yeteneği sağlar.

Bu problème iki karşıt hedefimiz var: algoritmanın performansını en üst düzeye çıkarmak ve aynı zamanda karmaşıklığını en aza indirmek. Bu nedenle, genellikle iki optimize etme yönteminden birini uygulamak yerine — birden fazla hedefi birleştirmek veya bir hedefi kısıtlamak — her ikisini de formülasyonumuza dahil ettik. Bunu yaparak ve genel olarak, performans ölçütü olarak dengeli doğruluğu kullanıyoruz.

Ayrıca, AtLeast gibi operatörleri dahil ederek, yüksek derecede yorumlanabilir kontrol listelerine olan ihtiyacı ele alma fikriyle motive olduk. Örneğin, belirli bir durumun belirtileri olan bir liste gibi tıbbi semptomlar için bir karar, bu semptomların bir kısmının varlığı temelinde verilebilir. Benzer şekilde, finans alanında bir banka, müşteriye kredi verme kararı alırken, daha büyük bir listeden belirli bir sayıda faktörün varlığına bağlı olarak bunu yapabilir.

XAI modelimizi başarılı bir şekilde uyguladık ve kredi, müşteri davranışı ve tıbbi koşullar için bazı kamu veritabanlarında benchmarkledik. Modelimizin diğer well-known alternatiflerle genel olarak rekabetçi olduğunu bulduk. Ayrıca, XAI modelimizin özel amaçlı donanım veya kuantum cihazlarla hızlı Tamsayı Doğrusal Programlama (ILP) veya Kuantum İkili Optimizasyon (QUBO) çözücülerle güçlendirilebileceğini bulduk. QUBO çözücülerin eklenmesi, hızlı非yerel hareket önerileri sayesinde yineleme sayısını azaltır ve bir hızlanma sağlar.

Kişisel olarak, açıklanabilir AI modelleri Boolean formülleri kullanarak, sağlık ve finans gibi sektörlerde birçok uygulama alanı bulabilir. Yorumlanabilir kurallar oluşturarak, ürün geliştirme veya rafine etme serta pazarlama kampanyalarının optimizasyonu için daha yüksek düzeyde içgörüler elde edebiliriz.

Buluntularımıza dayanarak, Açıklanabilir Yapay Zeka’nın ifade edilebilir Boolean formülleri kullanmasının, açıklanabilirlik gerektiren kullanım durumları için uygun ve arzu edilir olduğu sonucuna vardık. Ayrıca, kuantum hesaplama geliştikçe, bunu ve diğer özel amaçlı donanım hızlandırıcılarını kullanarak potansiyel hızlanma elde etme fırsatını öngörüyoruz.

Gelecek çalışmalar, bu sınıflandırıcıları diğer veritabanlarına uygulamaya, yeni operatörler tanıtma veya bu kavramları diğer kullanım durumlarına uygulama üzerine odaklanabilir.