Introduzione
Questa pagina fornisce una breve panoramica concettuale dei metodi di attribuzione delle caratteristiche disponibili con Agent Platform.
L'importanza delle caratteristiche globali (attribuzioni delle caratteristiche del modello) mostra in che modo ogni caratteristica influisce su un modello. I valori sono una percentuale per ogni caratteristica: più alta è la percentuale, maggiore è stato l'impatto della caratteristica sull'addestramento del modello. Per visualizzare l'importanza delle caratteristiche globali per il tuo modello, esamina le metriche di valutazione.
Le attribuzioni delle caratteristiche locali per i modelli di serie temporali indicano in che misura ogni caratteristica dei dati ha contribuito al risultato previsto. Utilizza queste informazioni per verificare che il modello si comporti come previsto, riconoscere i bias nei modelli e trovare idee per migliorare il modello e i dati di addestramento. Quando richiedi inferenze, ottieni i valori previsti in base al modello. Quando richiedi spiegazioni, ottieni le inferenze insieme alle informazioni sull'attribuzione delle caratteristiche.
Considera il seguente esempio: una rete neurale profonda viene addestrata per prevedere la durata di una corsa in bicicletta, in base ai dati meteorologici e ai dati precedenti di ride-sharing. Se richiedi solo inferenze da questo modello, ottieni le durate previste delle corse in bicicletta in minuti. Se richiedi spiegazioni, ottieni la durata prevista della corsa in bicicletta, insieme a un punteggio di attribuzione per ogni caratteristica nella richiesta di spiegazioni. I punteggi di attribuzione mostrano in che misura la caratteristica ha influito sulla variazione del valore di inferenza, rispetto al valore di base specificato. Scegli una base di riferimento significativa che abbia senso per il tuo modello, in questo caso la durata media della corsa in bicicletta.
Puoi tracciare i punteggi di attribuzione delle caratteristiche per vedere quali caratteristiche hanno contribuito maggiormente all'inferenza risultante:
Genera ed esegui query sulle attribuzioni delle caratteristiche locali quando esegui un job di inferenza online o un job di inferenza in batch.
Vantaggi
Se esamini istanze specifiche e aggreghi le attribuzioni delle caratteristiche nel set di dati di addestramento, puoi ottenere informazioni più approfondite sul funzionamento del modello. Considera i seguenti vantaggi:
Modelli di debug: le attribuzioni delle caratteristiche possono aiutare a rilevare problemi nei dati che le tecniche di valutazione dei modelli standard in genere non rilevano.
Ottimizzazione dei modelli: puoi identificare e rimuovere le caratteristiche meno importanti, il che può portare a modelli più efficienti.
Limitazioni concettuali
Considera le seguenti limitazioni delle attribuzioni delle caratteristiche:
Le attribuzioni delle caratteristiche, inclusa l'importanza delle caratteristiche locali per AutoML, sono specifiche per le singole inferenze. L'esame delle attribuzioni delle caratteristiche per una singola inferenza può fornire informazioni utili, ma queste potrebbero non essere generalizzabili all'intera classe per quella singola istanza o all'intero modello.
Per ottenere informazioni più generalizzabili per i modelli AutoML, consulta l'importanza delle caratteristiche del modello. Per ottenere informazioni più generalizzabili per altri modelli, aggrega le attribuzioni su sottoinsiemi del set di dati o sull'intero set di dati.
Ogni attribuzione mostra solo in che misura la caratteristica ha influito sull'inferenza per quell'esempio specifico. Una singola attribuzione potrebbe non riflettere il comportamento complessivo del modello. Per comprendere il comportamento approssimativo del modello su un intero set di dati, aggrega le attribuzioni sull'intero set di dati.
Sebbene le attribuzioni delle caratteristiche possano essere utili per il debug dei modelli, non indicano sempre chiaramente se un problema deriva dal modello o dai dati su cui viene addestrato il modello. Utilizza il tuo miglior giudizio e diagnostica i problemi comuni dei dati per restringere lo spazio delle potenziali cause.
Le attribuzioni dipendono interamente dal modello e dai dati utilizzati per addestrare il modello. Possono rivelare solo i pattern che il modello ha trovato nei dati e non possono rilevare alcuna relazione fondamentale nei dati. La presenza o l'assenza di una forte attribuzione a una determinata caratteristica non significa che esista o meno una relazione tra quella caratteristica e il target. L'attribuzione mostra semplicemente se il modello utilizza o meno la caratteristica nelle sue inferenze.
Le attribuzioni da sole non possono indicare se il modello è equo, imparziale o di buona qualità. Valuta attentamente i dati di addestramento e le metriche di valutazione oltre alle attribuzioni.
Per ulteriori informazioni sulle limitazioni, consulta il [white paper di AI Explanations].
Migliorare le attribuzioni delle caratteristiche
I seguenti fattori hanno il maggiore impatto sulle attribuzioni delle caratteristiche:
- I metodi di attribuzione approssimano il valore di Shapley. Puoi aumentare la precisione dell'approssimazione aumentando il numero di percorsi per il metodo del valore di Shapley campionato. Di conseguenza, le attribuzioni potrebbero cambiare drasticamente.
- Le attribuzioni esprimono solo in che misura la caratteristica ha influito sulla variazione del valore di inferenza, rispetto al valore di base. Assicurati di scegliere una base di riferimento significativa, pertinente alla domanda che stai ponendo al modello. I valori di attribuzione e la loro interpretazione potrebbero variare in modo significativo quando cambi le basi di riferimento.
Algoritmo
Gemini Enterprise Agent Platform fornisce attribuzioni delle caratteristiche utilizzando i valori di Shapley, un algoritmo di teoria del gioco cooperativo che assegna credito a ogni giocatore in una partita per un determinato risultato. Applicato ai modelli di machine learning, ciò significa che ogni caratteristica del modello viene trattata come un "giocatore" nella partita e il credito viene assegnato in proporzione al risultato di una particolare inferenza. Per i modelli di dati strutturati, Agent Platform utilizza un'approssimazione di campionamento dei valori di Shapley esatti chiamata valore di Shapley campionato.
Per informazioni dettagliate sul funzionamento del metodo del valore di Shapley campionato, leggi l'articolo [Bounding the Estimation Error of Sampling-based Shapley Value Approximation][sampled-shapley-paper].
Passaggi successivi
Le seguenti risorse forniscono ulteriore materiale didattico utile: