BigQuery提供Explainable AI功能，可解釋特徵對機器學習模型的影響

雲端資料倉儲BigQuery正式向用戶提供可解釋人工智慧（Explainable AI，XAI）功能，使得用戶能夠更了解機器學習模型做出決策的方法。官方提到，BigQuery針對不同的模型類型，提供各種XAI方法，全面地支援可以解釋性人工智慧，供用戶使用單一SQL查詢，並能在數秒內獲得數百萬個解釋。

不少企業在內部導入機器學習技術，但是要使得人工智慧的決策更為可信，人工智慧必需要具有可解釋性，Google提到，在訓練機器學習模型時，與特徵相關有兩類可解釋性，分別是全域可解釋性，以及區域可解釋性。

全域可解釋描述了特徵對模型的整體影響，能夠讓用戶了解特定特徵，是否比其他特徵對模型的預測，存在更大的影響力，當模型具有數百或是數千個特徵，用戶想要知道哪些特徵，是模型的主要貢獻者，則全域可解釋就會特別有用，用戶能夠以此來修剪不太重要的特徵，來提高模型的通用性。

而區域可解釋性則描述每個特徵對特定預測做出的貢獻，以房價為例，房屋不同的特徵可能會在房價上做出貢獻，像是具有3間臥室的房屋，在房價可能額外貢獻5萬美元，靠近市中心價值增加10萬美元，建造的年份為2010年，可能房價又會上升3萬美元等。Google表示，區域可解釋性的目的，是要用來了解模型每個特徵，之於預測的切確貢獻。

BigQuery Explainable AI透過定義資料列中，每個特徵對預測結果的貢獻，使得用戶能夠深入了解機器學習模型，在分類和迴歸任務所生成的結果，Google提到，這被稱作特徵歸因，這項訊息可用來驗證模型的行為是否符合預期，並辨識模型中的偏差，還能獲得改進模型和訓練資料的方法。

BigQuery Explainable AI適用於多種模型，包括獨立同分布資料（IID Data）的監督式學習模型，和時間序列模型，針對每種模型，BigQuery Explainable AI都具有不同的可解釋性方法，而每種可解釋性方法都有各自的運算方式。