Panoramica dell'AI spiegabile di BigQuery

Questo documento descrive in che modo BigQuery ML supporta l'intelligenza artificiale (AI) spiegabile, a volte chiamata XAI.

L'Explainable AI ti aiuta a comprendere i risultati generati dal tuo modello di machine learning predittivo per le attività di classificazione e regressione definendo il contributo di ogni caratteristica in una riga di dati al risultato previsto. Queste informazioni sono spesso indicate come attribuzione delle funzionalità. Puoi utilizzare queste informazioni per verificare se il modello funziona come previsto, riconoscere i bias nei modelli e trovare modi per migliorare il modello e i dati di addestramento.

Sia BigQuery ML che Vertex AI hanno offerte di Explainable AI che forniscono spiegazioni basate su caratteristiche. Puoi eseguire la misura dell'esplicabilità in BigQuery ML oppure registrare il tuo modello in Vertex AI ed eseguire la misura dell'esplicabilità lì.

Per informazioni sugli statement e sulle funzioni SQL supportati per ogni tipo di modello, consulta Percorso utente end-to-end per ogni modello.

Esplicaboilità locale e globale

Esistono due tipi di spiegabilità: locale e globale. Sono note anche rispettivamente come importanza delle caratteristiche locali e importanza delle caratteristiche globali.

  • L'interpretabilità locale restituisce i valori di attribuzione delle funzionalità per ogni esempio spiegato. Questi valori descrivono l'impatto di una determinata caratteristica sulla previsione rispetto alla previsione di riferimento.
  • L'esplicabilità globale restituisce l'influenza complessiva della funzionalità sul modello e spesso viene ottenuta aggregando le attribuzioni delle funzionalità sull' intero set di dati. Un valore assoluto più alto indica che la funzionalità ha avuto un'influenza maggiore sulle previsioni del modello.

Offerte di Explainable AI in BigQuery ML

L'Explainable AI in BigQuery ML supporta una serie di modelli di machine learning, inclusi modelli di serie temporali e non. Ogni uno dei modelli sfrutta un metodo di spiegabilità diverso.

Categoria del modello Tipi di modello Metodo di spiegabilità Spiegazione di base del metodo Funzioni di spiegazione locale Funzioni di spiegazione globali
Modelli supervisionati Regressione lineare e logistica Valori di Shapley I valori di Shapley per i modelli lineari sono uguali a model weight * feature value, dove i valori delle caratteristiche sono standardizzati e i pesi del modello sono addestrati con i valori delle caratteristiche standardizzati. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
Errori standard e valori p Gli errori standard e i valori p vengono utilizzati per il test di significatività rispetto ai pesi del modello. N/D ML.ADVANCED_WEIGHTS4
Alberi con boosting

Foresta casuale		 Tree SHAP Tree SHAP è un algoritmo per calcolare valori SHAP esatti per i modelli basati su alberi decisionali. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
Contributo approssimativo delle funzionalità Approssima i valori del contributo delle funzionalità. È più veloce e semplice rispetto a Tree SHAP. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
Importanza delle caratteristiche basata sull'indice di Gini Un punteggio di importanza delle caratteristiche globale che indica quanto sia stata utile o preziosa ciascuna caratteristica nella costruzione del modello di albero con boosting o foresta casuale durante l'addestramento. N/D ML.FEATURE_IMPORTANCE
Rete neurale profonda (DNN)

Wide and Deep		 Gradienti integrati Un metodo basato sui gradienti che calcola in modo efficiente le attribuzioni delle funzionalità con le stesse proprietà assiomatiche del valore di Shapley. Fornisce un'approssimazione di campionamento delle attribuzioni delle funzionalità esatte. La sua accuratezza è controllata dal parametro integrated_gradients_num_steps. ML.EXPLAIN_PREDICT1 ML.GLOBAL_EXPLAIN2
AutoML Tables Valore di Shapley campionato Il valore di Shapley campionato assegna il merito per il risultato del modello a ogni caratteristica e considera diverse permutazioni delle caratteristiche. Questo metodo fornisce un'approssimazione di campionamento dei valori di Shapley esatti. N/D ML.GLOBAL_EXPLAIN2
Modelli di serie temporali ARIMA_PLUS Decomposizione delle serie temporali Decompone la serie temporale in più componenti se questi componenti sono presenti nella serie temporale. I componenti includono tendenze, stagionalità, festività, variazioni graduali e picchi e cali. Per maggiori dettagli, consulta la pipeline di generazione di modelli ARIMA_PLUS. ML.EXPLAIN_FORECAST3 N/D
ARIMA_PLUS_XREG Decomposizione delle serie temporali
e
Valori di Shapley		 Decompone la serie temporale in più componenti, tra cui tendenza, stagionalità, festività, variazioni graduali, picchi e cali (simile ad ARIMA_PLUS). L'attribuzione di ogni sbagliatore esterno viene calcolata in base ai valori di Shapley, che è uguale a model weight * feature value. ML.EXPLAIN_FORECAST3 N/D

1ML_EXPLAIN_PREDICT è una versione estesa di ML.PREDICT.

2ML.GLOBAL_EXPLAIN restituisce l'esplicabilità globale ottenuta prendendo l'attribuzione assoluta media che ogni caratteristica riceve per tutte le righe del set di dati di valutazione.

3ML.EXPLAIN_FORECAST è una versione estesa di ML.FORECAST.

4ML.ADVANCED_WEIGHTS è una versione estesa di ML.WEIGHTS.

Explainable AI in Vertex AI

Explainable AI è disponibile in Vertex AI per il seguente sottoinsieme di modelli di machine learning supervisionati esportabili:

Tipo di modello Metodo Explainable AI
dnn_classifier Gradienti integrati
dnn_regressor Gradienti integrati
dnn_linear_combined_classifier Gradienti integrati
dnn_linear_combined_regressor Gradienti integrati
boosted_tree_regressor Valore di Shapley campionato
boosted_tree_classifier Valore di Shapley campionato
random_forest_regressor Valore di Shapley campionato
random_forest_classifier Valore di Shapley campionato

Per scoprire di più su questi metodi, consulta Metodi di attribuzione delle funzionalità.

Attivare l'AI spiegabile in Model Registry

Quando il modello BigQuery ML è registrato in Model Registry e se si tratta di un tipo di modello che supporta Explainable AI, puoi attivare Explainable AI sul modello durante il deployment in un endpoint. Quando registri il tuo modello BigQuery ML, tutti i metadati associati vengono compilati automaticamente.

  1. Registra il tuo modello BigQuery ML in Model Registry.
  2. Vai alla pagina Registro dei modelli dalla sezione BigQuery della console Google Cloud.
  3. Nel Registry dei modelli, seleziona il modello BigQuery ML e fai clic sulla versione del modello per reindirizzarti alla pagina dei dettagli del modello.
  4. Seleziona Altre azioni dalla versione del modello.
  5. Fai clic su Esegui il deployment nell'endpoint.
  6. Definisci l'endpoint: crea un nome per l'endpoint e fai clic su Continua.
  7. Seleziona un tipo di macchina, ad esempio n1-standard-2.
  8. In Impostazioni modello, nella sezione di registrazione, seleziona la casella di controllo per attivare le opzioni di spiegabilità.
  9. Fai clic su Fine e poi su Continua per eseguire il deployment nell'endpoint.

Per scoprire come utilizzare l'IA spiegabile sui tuoi modelli dal Model Registry, consulta Ottenere una spiegazione online utilizzando il modello di cui è stato eseguito il deployment. Per scoprire di più sull'IA spiegabile in Vertex AI, consulta Generare spiegazioni.

Passaggi successivi