5. Big Query Explainable AIの紹介
- 1. BigQuery Explainable AIの紹介 2022/02/26 機械学習の社会実装勉強会第8回 岩澤 幸太朗
- 2. 機械学習における説明可能性 - 大域的説明: どの特徴量が重要か - GLM（一般化線形回帰モデル） - 決定木 - … - 局所的説明: ある予測結果に対する各特徴量の予測への寄与 - LIME (Local Interpretable Model-agnostic Explanations) - SHAP (SHapley Additive exPlanations) - … - 複雑な機械学習モデルのブラックボックス化(e.g. DNN) - 機械学習モデルの結果を用いた意思決定の場面においては 「説明可能性」が重要になる。
- 3. 特徴量のモデルへの寄与を算出する関数が追加、拡張されました ML.EXPLAIN_PREDICT (従来ML.PREDICT) 予測結果 ＋ 各特徴量の特定予測への寄与 → 局所的説明 ML.EXPLAIN_FORECAST (従来:ML.FORECAST) ML.GLOBAL_EXPLAIN 各特徴量のモデルへの寄与 → 大域的説明 ML.ADVANCED_WEIGHTS (従来: ML.WEIGHTS) ML.FEATURE_IMPORTANCE 今回お伝えしたい内容 機械学習モデルの解釈を支援する BigQuery Explainable AI が一般提供開始 (2022/01/31)
- 4. BigQuery - GCPにおけるDataWarehouse サービス ( ? AWS Redshift) - Compute, Storage, Memory が分離 - それらが自動スケーリング - 日々機能アップデート ? SQLで巨大な構造化／半構造化データを? 管理、操作するプラットフォーム BigQuery 【第4回】BigQueryを中心にした ML datapipelineの概要 より
- 5. BigQuery ML Tutorial: https://codelabs.developers.google.com/codelabs/bqml-intro#0 利用できるモデル: https://cloud.google.com/bigquery-ml/docs/bigqueryml-intro#supported_models_in 概要: https://cloud.google.com/bigquery-ml/docs/bigqueryml-intro - SQLのみで前処理、学習、予測が可能 - BigQuery 上で完結 【第4回】BigQueryを中心にした ML datapipelineの概要 より
- 6. Demo - 回帰 (XGBoost) - 分類 (Logistic Regression) - 時系列 (ARIMA) このデモは以下の記事の内容に準拠しています。 機械学習モデルの解釈を支援する BigQuery Explainable AI が一般提供開始
- 7. BigQuery Explainable AI Overview
- 9. まとめ - 実社会における機械学習モデルには予測精度だけでなく、モデルが信頼できるか (大域的説明)、予測の根拠（局所的説明）が必要になる。 - BigQuery ML に説明可能性を支援する機能が拡充された。 - BigQuery は日々アップデートされている。
- 10. 機械学習における解釈性 - 原 聡（大阪大学産業科学研究所） https://www.jstage.jst.go.jp/article/jjsai/33/3/33_366/_pdf BigQuery ML Tutorial in kaggle notebook: https://www.kaggle.com/rtatman/bigquery-machine-learning-tutorial 参考 【機械学習】XAIを実現するLIME ~ 説明可能なAIとは https://www.youtube.com/watch?v=LCdxKGVGN4c 【機械学習】協力ゲーム理論で XAI (説明可能なAI) を目指す SHAP (Shapley Additive exPlanation) https://www.youtube.com/watch?v=6iq4R_NJqKE