BigQuery提供Explainable AI功能，可解释特征对机器学习模型的影响

云计算数据仓库BigQuery正式向用户提供可解释人工智能（Explainable AI，XAI）功能，使得用户能够更了解机器学习模型做出决策的方法。官方提到，BigQuery针对不同的模型类型，提供各种XAI方法，全面地支持可以解释性人工智能，供用户使用单一SQL查询，并能在数秒内获得数百万个解释。

不少企业在内部导入机器学习技术，但是要使得人工智能的决策更为可信，人工智能必需要具有可解释性，Google提到，在训练机器学习模型时，与特征相关有两类可解释性，分别是全局可解释性，以及区域可解释性。

全局可解释描述了特征对模型的整体影响，能够让用户了解特定特征，是否比其他特征对模型的预测，存在更大的影响力，当模型具有数百或是数千个特征，用户想要知道哪些特征，是模型的主要贡献者，则全局可解释就会特别有用，用户能够以此来修剪不太重要的特征，来提高模型的通用性。

而区域可解释性则描述每个特征对特定预测做出的贡献，以房价为例，房屋不同的特征可能会在房价上做出贡献，像是具有3间卧室的房屋，在房价可能额外贡献5万美元，靠近市中心价值增加10万美元，建造的年份为2010年，可能房价又会上升3万美元等。Google表示，区域可解释性的目的，是要用来了解模型每个特征，之于预测的切确贡献。

BigQuery Explainable AI通过定义资料列中，每个特征对预测结果的贡献，使得用户能够深入了解机器学习模型，在分类和回归任务所生成的结果，Google提到，这被称作特征归因，这项消息可用来验证模型的行为是否符合预期，并识别模型中的偏差，还能获得改进模型和训练资料的方法。

BigQuery Explainable AI适用于多种模型，包括独立同分布资料（IID Data）的监督式学习模型，和时间串行模型，针对每种模型，BigQuery Explainable AI都具有不同的可解释性方法，而每种可解释性方法都有各自的运算方式。