実践 XAI ［説明可能な AI ］ 機械学習の予測を説明するための Python コーディング(ジッセンエックスエーアイ セツメイカノウナエーアイ キカイガクシュウノヨソクヲセツメイスルタメノパイソンコーディング)

ビジネス上の意思決定につながる機械学習の予測には、解釈・説明が求められます。そこで、そうした解釈・説明を行うための手法を紹介します。実際に LIME 、 SHAP 、 Skater 、 ELI5 といった種々の Python ライブラリを使い、モデルがなぜそのように予測するのかを探っていきます。予測モデルとして、線形・非線形モデルのほか、アンサンブルモデル、時系列モデル、自然言語処理、ディープラーニング、コンピュータビジョンを取り上げます。本書は解釈・説明のための方法を包括的に取り上げており、機械学習を実際の現場で活用する方にぜひ手に取っていただきたい一冊です。

機械学習モデルの精度が上がるほど、「なぜその予測になったのか」を説明できない問題が深刻になります。医療診断、与信審査、異常検知といった領域では、予測結果だけでなくその根拠を示すことが実運用の前提条件です。本書は Explainable AI (XAI) の主要手法 - SHAP 、 LIME 、 Permutation Importance 、 Partial Dependence Plot など - を、 Python コードとともに実装レベルで解説する実践書です。

理論面では、各手法が「モデルの何を」「どのような仮定の下で」説明しているのかを区別して伝えており、 SHAP と LIME の使い分けや限界を理解した上で適材適所で選べるようになります。単にライブラリの API を呼ぶだけでなく、出力された説明をどう読み取り、ステークホルダーにどう伝えるかという運用上の視点にも紙幅が割かれています。

前提として、 scikit-learn 程度の機械学習モデル構築経験があると読みやすいです。モデルを作れるようになった次の段階として「作ったモデルを組織に受け入れてもらう」ための技術を身につけたいエンジニアやデータサイエンティストに、実務直結の知識を提供してくれます。