सारांश
इस कोड पैटर्न में, मशीन लर्निंग मॉडल द्वारा लिए गए निर्णयों को रहस्य से मुक्त करने के लिए एआई 360 एक्सप्लेनेबिलिटी टूलकिट का उपयोग करना सीखकर बेहतर अंतर्दृष्टि और व्याख्यात्मकता प्राप्त करें। यह न केवल नीति निर्माताओं और डेटा वैज्ञानिकों को विश्वसनीय व्याख्या योग्य एआई एप्लिकेशन विकसित करने में मदद करता है, बल्कि सभी के लिए पारदर्शिता में भी मदद करता है। एआई एक्सप्लेनेबिलिटी 360 टूलकिट के उपयोग को प्रदर्शित करने के लिए, हम मौजूदा का उपयोग करते हैं धोखाधड़ी का पता लगाने वाला कोड पैटर्न AIX360 एल्गोरिदम समझाते हुए।
Description
एक ऐसे परिदृश्य की कल्पना करें जिसमें आप एक ऐसे बैंक में जाएँ जहाँ आप $1 मिलियन का ऋण लेना चाहते हैं। ऋण अधिकारी एक एआई-संचालित प्रणाली का उपयोग करता है जो भविष्यवाणी या सिफारिश करता है कि क्या आप ऋण के लिए पात्र हैं और वह ऋण कितना हो सकता है। इस उदाहरण में, एआई सिस्टम अनुशंसा करता है कि आप ऋण के लिए पात्र नहीं हैं। तो, आपके पास कुछ प्रश्न हो सकते हैं जिन पर आपको विचार करने की आवश्यकता है:
- क्या ग्राहक के रूप में आप सेवा से संतुष्ट होंगे?
- क्या आप एआई प्रणाली द्वारा लिए गए निर्णय का औचित्य चाहेंगे?
- क्या ऋण अधिकारी को एआई प्रणाली द्वारा लिए गए निर्णय की दोबारा जांच करनी चाहिए, और क्या आप चाहेंगे कि वे एआई मॉडल के अंतर्निहित तंत्र को जानें?
- क्या बैंक को पूरी तरह से एआई-संचालित प्रणाली पर भरोसा और भरोसा करना चाहिए?
आप इस बात से सहमत हो सकते हैं कि केवल पूर्वानुमान लगाना ही पर्याप्त नहीं है। कभी-कभी, आपको इस बात की गहरी समझ होनी चाहिए कि निर्णय क्यों लिया गया। ऐसे कई कारण हैं जिनकी वजह से आपको मशीन लर्निंग मॉडल के अंतर्निहित तंत्र को समझने की आवश्यकता है। इसमे शामिल है:
- मानव पठनीयता
- पूर्वाग्रह शमन
- औचित्य
- विवेचनीयता
- एआई सिस्टम में विश्वास और विश्वास को बढ़ावा देना
इस कोड पैटर्न में, हम प्रदर्शित करते हैं कि तीन व्याख्यात्मक एल्गोरिदम कैसे काम करते हैं:
- कंट्रास्टिव एक्सप्लेनेशंस मेथड (सीईएम) एल्गोरिदम जो एआई एक्सप्लेनेबिलिटी 360 टूलकिट में उपलब्ध है।
- एआई एक्सप्लेनेबिलिटी 360-प्रोटोडैश एक मौजूदा पूर्वानुमान मॉडल के साथ काम करता है ताकि यह दिखाया जा सके कि ग्राहक उन अन्य लोगों से तुलना कैसे करता है जिनके पास समान प्रोफाइल हैं और वर्तमान ग्राहक के लिए मॉडल की भविष्यवाणी के समान पुनर्भुगतान रिकॉर्ड हैं। इससे आवेदक के जोखिम का मूल्यांकन और अनुमान लगाने में मदद मिलती है। मॉडल की भविष्यवाणी और उस अनुशंसा तक पहुंचने के स्पष्टीकरण के आधार पर, ऋण अधिकारी अधिक सूचित निर्णय ले सकता है।
- एआई एक्सप्लेनेबिलिटी 360 टूलकिट में जनरलाइज्ड लीनियर रूल मॉडल (जीएलआरएम) एल्गोरिदम एक डेटा वैज्ञानिक को व्याख्या का एक उन्नत स्तर प्रदान करता है कि क्या मॉडल को तैनात किया जा सकता है।
फ्लो
- स्पार्क द्वारा संचालित आईबीएम वॉटसन® स्टूडियो में लॉग इन करें, आईबीएम क्लाउड ऑब्जेक्ट स्टोरेज आरंभ करें और एक प्रोजेक्ट बनाएं।
- आईबीएम क्लाउड ऑब्जेक्ट स्टोरेज के लिए .csv डेटा फ़ाइल अपलोड करें।
- वाटसन स्टूडियो नोटबुक में डेटा फ़ाइल लोड करें।
- वाटसन स्टूडियो नोटबुक में एआई एक्सप्लेनेबिलिटी 360 टूलकिट और एडवरसैरियल रोबस्टनेस टूलबॉक्स स्थापित करें।
- तीन अलग-अलग प्रकार के उपयोगकर्ताओं के लिए एआई मॉडल की व्याख्या और व्याख्या के लिए विज़ुअलाइज़ेशन प्राप्त करें।
अनुदेश
में विस्तृत चरणों का पता लगाएं README फ़ाइल। वे चरण बताते हैं:
- आईबीएम क्लाउड के साथ एक खाता बनाएँ।
- एक नया वाटसन स्टूडियो प्रोजेक्ट बनाएं।
- डेटा जोड़ें।
- नोटबुक बनाएं।
- DataFrame के रूप में डेटा डालें।
- नोटबुक चलाएं।
- परिणामों का विश्लेषण करें।
यह कोड पैटर्न का हिस्सा है AI 360 टूलकिट: AI मॉडल की व्याख्या की केस श्रृंखला का उपयोग करें, जो हितधारकों और डेवलपर्स को एआई मॉडल जीवनचक्र को पूरी तरह से समझने और सूचित निर्णय लेने में मदद करने में मदद करता है।
स्रोत: https://developer.ibm.com/patterns/analyzing-fraud-prediction-ai-models/- लेखा
- AI
- कलन विधि
- एल्गोरिदम
- अनुप्रयोगों
- स्थापत्य
- बैंक
- परिवर्तन
- बादल
- कोड
- आत्मविश्वास
- सामग्री
- वर्तमान
- तिथि
- आँकड़े वाला वैज्ञानिक
- खोज
- विकसित करना
- डेवलपर्स
- व्याख्या करने योग्य
- व्याख्या करने योग्य ए.आई.
- प्रवाह
- धोखा
- कैसे
- How To
- HTTPS
- आईबीएम
- आईबीएम क्लाउड
- अंतर्दृष्टि
- IT
- सीख रहा हूँ
- स्तर
- ऋण
- यंत्र अधिगम
- आदर्श
- ऑब्जेक्ट स्टोरेज
- अफ़सर
- अन्य
- पैटर्न
- भविष्यवाणी
- भविष्यवाणियों
- प्रोफाइल
- परियोजना
- कारण
- अभिलेख
- परिणाम
- जोखिम
- वैज्ञानिकों
- कई
- So
- भंडारण
- प्रणाली
- ट्रांसपेरेंसी
- ट्रस्ट
- उपयोगकर्ताओं
- दृश्य
- वॉटसन
- वाटसन स्टूडियो
- कौन
- काम
- कार्य