ธนาคารพัฒนาโมเดล AI เพื่อประเมินความเสี่ยงสินเชื่อ ผู้บริหารต้องการให้โมเดลสามารถอธิบายได้ว่าเหตุใดจึงอนุมัติหรือปฏิเสธสินเชื่อของลูกค้าแต่ละราย แนวทางใดตอบโจทย์นี้ได้ดีที่สุด
กเลือกใช้โมเดลที่ตีความได้ (Interpretable Model) เช่น Decision Tree หรือใช้เครื่องมืออธิบาย เช่น SHAP Values เพื่อระบุว่า Feature ใดมีผลต่อการตัดสินใจ
ขใช้ Deep Neural Network ที่มีชั้นซ่อนจำนวนมากเพื่อให้ได้ความแม่นยำสูงสุด
คใช้โมเดลที่ซับซ้อนที่สุดเท่าที่มีเพราะความซับซ้อนหมายถึงความโปร่งใสมากขึ้น
งไม่ต้องอธิบายโมเดล เพราะความแม่นยำคือสิ่งสำคัญที่สุดในการประเมินสินเชื่อ
เฉลยอธิบาย
หลักการ Explainable AI (XAI) ต้องการให้ระบบสามารถอธิบายการตัดสินใจได้อย่างโปร่งใส โดยเฉพาะในสินเชื่อซึ่งมีผลกระทบต่อสิทธิ์ของลูกค้า Decision Tree ตีความได้ง่าย ส่วน SHAP (SHapley Additive exPlanations) ช่วยอธิบาย Feature Importance แม้แต่ในโมเดลซับซ้อน ตัวเลือก B Deep Neural Network มีความซับซ้อนสูงและตีความยาก (Black Box) ตัวเลือก C โมเดลซับซ้อนกว่า ไม่ได้โปร่งใสกว่า มักตรงกันข้าม ตัวเลือก D การไม่อธิบายละเมิดหลักการ Responsible AI และอาจผิดกฎหมาย