Новый метод объяснимого ИИ нацелен на максимизацию прибыли: пример продаж манги
Исследователи представили новый подход к объяснению решений моделей машинного обучения, который напрямую учитывает финансовые цели бизнеса. Метод, получивший название Profit-Based Counterfactual Explanation (PBCE), решает проблему традиционных контрфактуальных объяснений: они требуют задавать желаемый целевой показатель вручную и не всегда связаны с практическими задачами.
В работе, опубликованной на arXiv, авторы указывают, что классические методы контрфактуальных объяснений (CE) фокусируются на изменении предсказаний модели, а не на максимизации конкретного показателя эффективности, такого как прибыль. При этом в реальном менеджменте и маркетинге ключевой целью часто является именно увеличение прибыли.
PBCE устраняет необходимость во внешнем задании целевого значения (например, «увеличить продажи до 1000 единиц»), так как встроенная функция оптимизации сразу максимизирует прибыль. Кроме того, в рамках этого подхода расстояние между текущим и изменённым состоянием продукта интерпретируется как стоимость модификации его атрибутов — что даёт экономически осмысленную трактовку.
Практическое применение метода было продемонстрировано на примере данных о продажах манги в Японии. Модель показывает, какие именно характеристики издания (цена, тираж, жанр, формат и т.д.) стоит изменить, чтобы увеличить прибыль с учётом затрат на эти изменения. Это позволяет издателям принимать обоснованные решения по улучшению продукта.
По мнению авторов, новый подход делает контрфактуальные объяснения более пригодными для реального бизнеса, особенно в сферах, где важны численные показатели эффективности. Исследование вносит вклад в развитие explainable AI (XAI) и может быть полезно компаниям, использующим машинное обучение для оптимизации ассортимента или ценообразования.
