BigQuery Explainable AI (XAI) adalah rangkaian tools dan framework yang dirancang untuk membantu Anda menginterpretasikan model machine learning dalam mengambil keputusan.
BigQuery sendiri merupakan gudang penyimpanan data yang mendukung XAI dengan komprehensif, baik dari metodologi maupun jenis XAI. Dengan skala data BigQuery, Anda bisa mendapatkan jutaan penjelasan untuk suatu keputusan yang diambil machine learning dalam hitungan detik dan dengan satu query SQL saja.
Mengenal Explainable AI
Semakin hari, kebutuhan untuk mengetahui cara kerja bagian dalam model machine learning semakin tinggi. Terlebih kini permintaan terhadap artificial intelligence (AI) dan machine learning (ML) terus naik.
Dalam sebuah studi yang dimuat di Forbes, diketahui bahwa 76% perusahaan kini menjadikan AI dan ML sebagai prioritas investasi utama untuk pengeluaran IT mereka. Di samping itu, sebuah survey yang dilakukan PwC menunjukkan bahwa 82% CEO perusahaan percaya bahwa setiap keputusan berbasis AI harus dapat dijelaskan model penalarannya agar dapat dipercaya.
Baca juga: Mengelola BigQuery Lebih Mudah Dengan Resource Charts Dan Slot Estimator
Selain BigQuery Explainable AI, Google Cloud juga menyediakan beberapa tools dan frameworks lain untuk membantu Anda menginterpretasikan model ML. Misalnya, Vertex Explainavle AI yang di dalamnya terdapat AutoML Tables, AutoML Vision, serta model-model yang telah dilatih khusus.
Lalu, bagaimana sebenarnya Explainable AI bekerja dalam BigQuery? Untuk mengetahui jawabannya, mari simak penjelasannya dalam poin berikut.
Dua jenis Explainable AI
Photo Credit: Rawpixel
Jika dilihat dari fitur yang digunakan untuk melatih model AI, Explainable AI bisa dikelompokkan menjadi dua jenis explainability: global explainability dan local explainability. Apa perbedaan di antara keduanya?
Untuk memudahkan Anda mempelajari perbedaannya, perhatikan studi kasus berikut ini. Katakanlah Anda memiliki sebuah model ML yang bisa memperkirakan harga rumah berdasarkan tiga pertimbangan: (1) jumlah ruang kamar, (2) jarak rumah ke pusat kota, dan (3) usia bangunan rumah.
- Pendekatan global explainability
Jika menggunakan pendekatan global explainability maka bisa diketahui bahwa model ML yang Anda miliki akan memutuskan bahwa fitur (1) dan fitur (2) memiliki pengaruh yang lebih besar dalam memprediksi harga rumah dibanding fitur (3).
Ini karena pendekatan global explainability menjelaskan pengaruh keseluruhan fitur yang ada pada model dan membantu Anda memahami apakah suatu fitur punya pengaruh yang lebih besar dibanding fitur lain dalam memprediksi model.
Pendekatan ini akan sangat membantu jika Anda memiliki ratusan atau bahkan ribuan fitur dan ingin mengetahui manakah fitur yang paling besar kontribusinya terhadap model. Anda juga bisa mempertimbangkan global explainability untuk mengidentifikasi dan dan memangkas fitur yang dirasa kurang penting untuk meningkatkan kemampuan generalisasi model.
Baca juga: Kemudahan Analisis Data Multicloud Dengan BigQuery Omni
- Pendekatan local explainability
Kembali pada studi kasus. Jika harga rumah A diprediksi sebesar Rp700 juta, dengan pendekatan local explainability akan menjelaskan harga dasarnya (katakanlah Rp500 juta) dan bagaimana setiap fitur berkontribusi terhadap harga yang diprediksi.
Misalnya, model ML Anda mengatakan bahwa fitur (1) akan menambahkan Rp100 juta dari harga dasar. Kemudian fitur (2) menambahkan Rp50 juta dan fitur (3) menambahkan Rp50 juta. Maka model bisa memprediksi bahwa harga rumah A adalah sekitar Rp700 juta.
Intinya, pendekatan local explainability adalah tentang memahami porsi kontribusi yang tepat dari setiap fitur yang digunakan model dalam membuat setiap prediksi.
Model ML apa yang diterapkan BigQuery Explainable AI?
BigQuery Explainable AI berlaku untuk berbagai model ML, termasuk untuk model pembelajaran terawasi untuk data IID dan model deret waktu. Dokumentasi untuk BigQuery Explainable AI memberikan penjelasan singkat mengenai berbagai cara menerapkan kemampuan menjelaskan tiap model.
Perhatikan bahwa setiap metode yang dapat dijelaskan pasti memiliki nilainya sendiri dan kemudian dibahas lebih dalam melalui dokumentasi.
Photo Credit: Google Cloud Blog
Dengan adanya BigQuery Explainable AI, diharapkan Anda bisa lebih mudah menginterpretasikan bagaimana model ML mengambil keputusan. Tertarik untuk mulai menerapkan teknologi Explainable AI ini? BigQuery Explainable AI akan memberikan performa optimalnya jika Anda menggunakan layanan Google Cloud.
Dapatkan Google Cloud yang disesuaikan dengan kebutuhan Anda melalui EIKON Technology, distributor resmi produk-produk Google di Indonesia. Informasi selengkapnya, klik di sini!