##plugins.themes.bootstrap3.article.main##
Анотація
Стаття присвячена актуальній проблемі автоматизації генерації пояснень для автоматизованих систем підтримки прийняття рішень (СППР) у фінансовій сфері. Впровадження машинного навчання у банківський сектор вимагає забезпечення прозорості автоматизованих рішень відповідно до регуляторних вимог. Запропоновано новий метод GPE (Greedy-Prune-Explain - жадібне відсікання з поясненням), який автоматично генерує мінімальні правила типу «ЯКЩО-ТО» для пояснення рішень моделей на основі дерев рішень. На відміну від існуючих модельно-агностичних методів (LIME, SHAP, Anchors), GPE використовує структуру дерева рішень для оптимізації процесу генерації пояснень. Метод працює у три послідовні фази: вилучення повного шляху рішення від кореня до листа, ітеративне відсікання надлишкових умов із збереженням заданого порогу точності та формування фінального пояснення з метриками якості (точність, покриття, складність). Доведено теоретичні гарантії алгоритму: часова складність O(d²·n) та гарантована точність пояснень. Експериментальна оцінка проведена на трьох реальних фінансових наборах даних кредитного скорингу загальним обсягом понад 630 000 записів. Результати демонструють прискорення у 34–66 разів порівняно з методом LIME при збереженні точності понад 98% та зменшенні складності пояснень до 1–2 умов. Статистична значущість результатів підтверджена t-тестом (p < 0,001) та розміром ефекту за Коеном (d > 2,0). Розроблено програмний фреймворк з відкритим кодом та REST API для інтеграції в існуючі бізнес-процеси фінансових установ. Практична значимість полягає у можливості повної автоматизації процесу надання пояснень клієнтам відповідно до вимог Загального регламенту захисту даних (GDPR) та Європейського акта про штучний інтелект (EU AI Act).
##plugins.themes.bootstrap3.article.details##
Посилання
2. S. Lessmann, B. Baesens, H.-V. Seow, and L. C. Thomas, "Benchmarking state-of-the-art classification algorithms for credit scoring: An update of research," European Journal of Operational Research, vol. 247, no. 1, pp. 124–136, 2015. DOI: 10.1016/j.ejor.2015.05.030.
3. C. Rudin, "Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead," Nature Machine Intelligence, vol. 1, no. 5, pp. 206–215, 2019. DOI: 10.1038/s42256-019-0048-x.
4. R. Guidotti, A. Monreale, S. Ruggieri et al., "A survey of methods for explaining black box models," ACM Computing Surveys, vol. 51, no. 5, Art. 93, 2019. DOI: 10.1145/3236009.
5. S. Bhatore, L. Mohan, and Y. R. Reddy, "Machine learning techniques for credit risk evaluation: a systematic literature review," Journal of Banking and Financial Technology, vol. 4, pp. 111–138, 2020. DOI: 10.1007/s42786-020-00020-3.
6. N. Cowan, "The magical mystery four: How is working memory capacity limited, and why?" Current Directions in Psychological Science, vol. 19, no. 1, pp. 51–57, 2010. DOI: 10.1177/0963721409359277.
7. M. T. Ribeiro, S. Singh, and C. Guestrin, ""Why should I trust you?": Explaining the predictions of any classifier," in Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, San Francisco, CA, USA, 2016, pp. 1135–1144. DOI: 10.1145/2939672.2939778.
8. S. M. Lundberg and S.-I. Lee, "A unified approach to interpreting model predictions," in Advances in Neural Information Processing Systems, vol. 30, Long Beach, CA, USA, 2017, pp. 4765–4774.
9. M. T. Ribeiro, S. Singh, and C. Guestrin, "Anchors: High-precision model-agnostic explanations," in Proc. AAAI Conf. Artificial Intelligence, vol. 32, no. 1, New Orleans, LA, USA, 2018, pp. 1527–1535. DOI: 10.1609/aaai.v32i1.11491.
10. A. P. Ladaniuk and L. O. Vlasenko, "Intelektualni systemy pidtrymky pryiniattia rishen v avtomatyzovanykh systemakh upravlinnia" ["Intelligent decision support systems in automated control systems"], Avtomatyzatsiia tekhnolohichnykh i biznes-protsesiv, vol. 14, no. 1, pp. 4–12, 2022. DOI: 10.15673/atbp.v14i1.2298. [in Ukrainian].