Tận dụng trí tuệ nhân tạo có thể giải thích để đưa ra quyết định nâng cấp tòa nhà: Những hiểu biết từ một cuộc khảo sát

Tận dụng trí tuệ nhân tạo có thể giải thích để đưa ra quyết định nâng cấp tòa nhà: Những hiểu biết từ một cuộc khảo sát

Leveraging explainable AI for informed building retrofit decisions: Insights from a survey

SHARE COMMENTS

1 – GIỚI THIỆU

Dự đoán chính xác về tiêu thụ năng lượng của tòa nhà là rất quan trọng để giảm khoảng cách về hiệu suất năng lượng. Mặc dù các phương pháp định lượng năng lượng dựa trên dữ liệu bằng cách sử dụng học máy mang lại kết quả đầy hứa hẹn, nhưng thiếu khả năng giải thích ngăn cản sự áp dụng rộng rãi của chúng. Để khắc phục điều này, trí tuệ nhân tạo có thể giải thích (XAI) đã được giới thiệu. Tuy nhiên, cho đến nay, chưa có nghiên cứu nào xem xét hiệu quả của những giải thích này đối với các nhà ra quyết định, tức là chủ sở hữu tài sản. Để giải quyết vấn đề này, các tác giả thực hiện ba mô hình trong suốt (Hồi quy tuyến tính, Cây quyết định, QLattice) và áp dụng bốn phương pháp XAI (Biểu đồ phụ thuộc từng phần, Hiệu ứng cục bộ tích lũy, Giải thích mô hình cục bộ độc lập, Giải thích bổ sung Shapley) cho một Mạng nơ-ron nhân tạo sử dụng một tập dữ liệu thực tế gồm 25.000 tòa nhà dân cư. Bài viết đánh giá độ chính xác của dự đoán và khả năng giải thích của chúng thông qua một cuộc khảo sát với 137 người tham gia, xem xét các khía cạnh liên quan đến con người về sự hài lòng với giải thích và mức độ trung thực được cảm nhận. Kết quả lượng hóa sự đánh đổi giữa khả năng giải thích và độ chính xác trong dự đoán tiêu thụ năng lượng của tòa nhà và cách nó có thể được khắc phục bằng cách chọn đúng phương pháp XAI để thúc đẩy các quyết định nâng cấp thông tin. Đối với nghiên cứu, các tác giả đặt nền tảng để tiếp tục tăng cường khả năng giải thích của các phương pháp định lượng năng lượng dựa trên dữ liệu và đánh giá tập trung vào con người của chúng. Đối với thực tế, các tác giả khuyến khích sử dụng XAI để giảm khoảng cách chấp nhận các phương pháp dựa trên dữ liệu, theo đó phương pháp XAI nên được lựa chọn cẩn thận vì khả năng giải thích trong các phương pháp khác nhau lên tới 10%.

2 – MÔ TẢ HỆ THỐNG

Nghiên cứu này mô tả việc triển khai ba mô hình trong suốt (Hồi quy tuyến tính, Cây quyết định, QLattice) và áp dụng bốn phương pháp XAI (Biểu đồ phụ thuộc từng phần, Hiệu ứng cục bộ tích lũy, Giải thích mô hình cục bộ độc lập, Giải thích bổ sung Shapley) cho một Mạng nơ-ron nhân tạo. Tập dữ liệu bao gồm 25.000 tòa nhà dân cư tại Đức, với các biến số chính liên quan đến đặc điểm vật lý và hình học của tòa nhà.

3 – PHƯƠNG PHÁP NGHIÊN CỨU

Nghiên cứu áp dụng một phương pháp tiếp cận ba bước:

– Triển khai bốn mô hình học máy và bốn phương pháp XAI trên tập dữ liệu thực tế.

– Đánh giá mức độ giải thích của các mô hình và phương pháp XAI thông qua một cuộc khảo sát trực tuyến.

– Phân tích và thảo luận kết quả để đưa ra những hàm ý cho ngành xây dựng dân dụng.

4 – KẾT QUẢ NGHIÊN CỨU

Kết quả cho thấy các mô hình trong suốt như Cây quyết định và Hồi quy tuyến tính có độ giải thích cao hơn so với mô hình Mạng nơ-ron nhân tạo, mặc dù độ chính xác dự đoán của chúng thấp hơn. Phương pháp XAI đã giúp tăng độ giải thích của Mạng nơ-ron nhân tạo lên mức tương đương với các mô hình trong suốt.

5 – KẾT LUẬN