Kontrafaktuális elemzés és lehetőségelemzés
A lehetőségelemzési számlálók arra a kérdésre ad választ, hogy a modell mit jelezne előre, ha módosítaná a művelet bemenetét. Lehetővé teszik a gépi tanulási modellek megértését és hibakeresését a bemeneti (funkció-) változásokra való reagálás szempontjából.
A szabványos értelmezhetőségi technikák prediktív jelentőségük alapján közelítik meg a gépi tanulási modelleket vagy rangsorolják a jellemzőket. Ezzel szemben a kontrafaktuális elemzés "kikérdez" egy modellt annak meghatározására, hogy egy adott adatpont milyen változásai tükröznék a modell döntését.
Egy ilyen elemzés segít elkülöníteni a korrelált jellemzők hatását. Emellett részletesebben is megismerheti, hogy mennyi funkciómódosításra van szükség a besorolási modellek modelldöntési tükrözésének és a regressziós modellek döntési módosításának megtekintéséhez.
A Felelős AI-irányítópultkontrafaktuális elemzése és lehetőségelemzési összetevője két funkcióval rendelkezik:
- Hozzon létre egy példakészletet egy adott pont minimális módosításával, hogy megváltoztassa a modell előrejelzését (a legközelebbi adatpontokat ellentétes modell-előrejelzésekkel).
- Lehetővé teszi, hogy a felhasználók saját lehetőségelemzési zavarokat generáljanak, hogy megértsék, hogyan reagál a modell a funkcióváltozásokra.
A Felelős AI-irányítópult számlálóelemzési összetevőjének egyik legfontosabb különbsége az a tény, hogy az érvényes és logikai ellenfaktuális példákhoz meg lehet határozni, hogy mely funkciók változnak, és melyek azok megengedett tartományai.
Ennek az összetevőnek a képességei a DiCE-csomagból származnak.
Használjon lehetőségelemzési ellenfaktuálisokat, ha az alábbiakra van szüksége:
- Vizsgálja meg a méltányossági és megbízhatósági kritériumokat döntésértékelőként az olyan bizalmas attribútumok, mint a nemek és az etnikumok kiértékelésével, majd figyelje meg, hogy változnak-e a modell-előrejelzések.
- Adott bemeneti példányok részletes hibakeresése.
- Megoldásokat nyújthat a felhasználóknak, és meghatározhatja, hogy mit tehetnek, hogy a modellből kívánatos eredményt érhessenek el.
Hogyan jönnek létre az ellenfaktuális példák?
Az ellenfaktuálisok létrehozásához a DiCE implementál néhány modellfüggetlen technikát. Ezek a módszerek minden átlátszatlan dobozos osztályozóra vagy regresszorra vonatkoznak. Ezek a közeli pontok bemeneti pontokhoz való mintavételén alapulnak, miközben a veszteségfüggvényt a közelség (és opcionálisan a ritkaság, a sokféleség és a megvalósíthatóság) alapján optimalizálják. Jelenleg a következő módszerek támogatottak:
- Véletlenszerű keresés: Ez a metódus véletlenszerűen egy lekérdezési pont közelében szúrja be a pontokat, és olyan pontokként ad vissza ellenfaktuális értékeket, amelyek előrejelzett címkéje a kívánt osztály.
- Genetikai keresés: Ez a módszer genetikai algoritmus használatával mutat be pontokat, figyelembe véve a lekérdezési ponthoz való közelség optimalizálásának, a lehető legkevesebb jellemző módosításának és a létrehozott ellenfaktuálisok közötti sokféleség keresésének együttes célját.
- KD-fakeresés: Ez az algoritmus a betanítási adathalmaz számlálóit adja vissza. Létrehoz egy KD-fát a betanítási adatpontok fölé egy távolságfüggvény alapján, majd visszaadja a legközelebbi pontokat egy adott lekérdezési ponthoz, amely a kívánt előrejelzett címkét adja vissza.
Következő lépések
- Megtudhatja, hogyan hozhatja létre a Felelős AI-irányítópultot a CLIv2 és az SDKv2 vagy a studio felhasználói felületén keresztül.
- A Felelős AI-irányítópult támogatott kontrafaktuális elemzéseinek és lehetőségelemzési vizualizációinak megismerése.
- Megtudhatja, hogyan hozhat létre felelős AI-scorecardot a Felelős AI-irányítópulton megfigyelt megállapítások alapján.