57 2 科技與商業應用 雖然決策樹模型具有很好的解釋性,但在模型精度上面卻表現欠佳。最近興起的神經網 路深度學習(Deep Learning),集成學習(Ensemble Learning)可以顯著的提高決策 樹模型的準確性,但由於模型過於複雜,很難具有解釋性。這樣的模型往往只能給出預 測結果,不能給出預測理由。雖然模型有很高的預測能力,但如果演算法的結果缺乏解 釋性,始終沒有決策說服力。對公司來說,一個 AI 演算法模型,最好能夠具高解釋性和 高推測性。因此,目前 AI 或 ML 演算法,如何在不犧牲高推測性的前提下提高解釋性, 是專家正在研究攻關的重點領域。 廣告投放有的放矢 誠然,大多研究都以追求更高的準確度作為演算法優良的評價標準。但如果優秀的演算 法具有解釋性,則可以更好地協助人們理解模型所推論出結果,其背後的原因。對公司 來說,從中可以作出更好、更精確的決策。 再以購物籃分析為例來說明,譬如,在一個網上商貿購物平台,究竟有那些商品經常同 時在顧客的購物籃子裡出現,如何對顧客進行精准推薦?具有解釋性的演算法模型可以 告訴網購商組合購物推薦的原因,幫助商家比較不同的行銷組合,從中發現之前忽略的 因素、甚至潛在的商機,於是廣告的投放,便更具針對性,吸引更多顧客購買消費。 刮鬍刀、啤酒、戶外帳幕、手電筒 在此,不妨看一個購物籃子的商品組合例子,「刮鬍刀、啤酒、戶外帳幕、手電筒」。 這四個看似風馬牛不相及的商品,常常在購物籃子同時出現;再配合分析客戶的個人資 料,AI 或 ML 的演算法便作出推斷解釋,喜歡喝啤酒的年青男子,多喜歡往郊外紥營旅 行。於是,不僅把這四種商品放在一起,方便消費者採購,而且更把一些喜歡到郊外紥 營旅行年青人可能會買的東西,也拿來放在一起試行推售,結果很有可能增加商品的銷 售。由此可見,在銷售應用上,這是一個極具潛在增益的營銷方法。 很顯然,演算法具解釋性的應用領域廣泛。除了信用卡公司、保險公司、金融機構、零 售商外,在美國,有一個研究相當新穎,就是利用 AI 去協助法官預測犯人保釋後,會否 再犯罪。
RkJQdWJsaXNoZXIy NDk5Njg=