机器学习的挑战：黑盒模型正面临这3个问题
导读：本文将讲述可解释机器学习的研究背景，介绍黑盒模型存在的问题和风险，通过一些小故事让读者了解问题的严重性。
01 机器学习面临的挑战
2016年3月，基于深度学习算法的阿尔法围棋（AlphaGo），以4∶1的总比分战胜围棋世界冠军李世石，深度学习算法从此一战成名，成为机器学习领域备受推崇的明星算法，在计算机视觉，语音识别，自然语言处理、生物信息学等领域都取得了极好的应用成果。
虽然深度学习模型、集成学习模型（比如XGBoost、LightGBM等）在很多领域都取得了很好的成果，但是这类模型有一个共同的特点就是：内部结构非常复杂，其运作机制就像一个黑盒子一样，难以用人类可以理解的语言去描述，模型输出结果也难以被解释，使得其在一些有关生命安全或重要决策领域的应用受到巨大挑战。
比如在银行业，2019年2月，波兰政府增加了一项银行法修正案，该修正案赋予了客户在遇到负面信用决策时可获得解释的权利。这是GDPR（《通用数据保护条例》，General Data Protection Regulation）在欧盟实施的直接影响之一。这意味着如果决策过程是自动的，那么银行需要能够向客户解释为什么不批准贷款。
2018年10月，“亚马逊人工智能招聘工具偏向男性”的报道登上了全球的头条新闻。亚马逊的模型是基于有偏见的数据进行训练的，这些数据偏向于男性应聘者。该模型构建了不利于含有“Women's”一词的简历的规则。
以上问题的提出，表明业界对模型的应用要求，已经不只是停留在准确性层面，模型结果能否解释，模型是否安全、公正、透明等也是机器学习面临的新挑战。
02 黑盒模型存在的问题
在实际应用中，黑盒模型为什么难以一步到位解决所有问题呢？在回答这个问题之前，我们先来看几个银行业的小故事。
1）小杨是某银行的一名理财客户经理，年关将至，马上就要业绩考核了，但其业绩离既定的销售目标还有一定的距离，于是他决定使用一个机器学习模型，判断他所负责的客户名单中哪些人更有可能会购买基金产品。花了一周时间编写代码和做特征工程，小杨顺利地运行了一个XGBoost（Extreme Gradient Boosting，梯度提升）模型，模型的AUC（Area Under Curve，ROC曲线下与坐标轴围成的面积）达到了0.86，结果非常理想，他便高兴地拿着模型预测的名单逐个进行电话营销。结果在几百通电话之后，最终只有一两个客户购买了基金产品，小杨落寞地对着自己的代码陷入了沉思。
2）小苏是某银行的风控专员，最近银行新开通的信用卡遇到了严重的逾期还款问题，银行决定对旧的评分模型进行调整优化，以防止发生更多的违约情况。于是他用新的训练数据对模型进行了更新，并对一些特征重新进行了分箱处理，最终将新模型部署上线。然而没过多久，银行便开始接到不同的投诉电话：“为什么我已经提供了齐全的资料，征信也没问题，但是我的信用卡审批就是通不过呢？”“我提交的资料信息与我同事的资料信息是相近的，为什么他的额度比我的高那么多？”……面对申请人接二连三的质疑，小苏一时半会儿也没法回答，面对这个黑盒模型运行所得的评分模型，他正绞尽脑汁地对模型进行剖析。
3）小何是一位典型的“吃货”，尤其喜爱喝珍珠奶茶，几乎每餐之后都会到手机银行App上浏览附近的奶茶店。最近她婚期将至，看着自己的体重还在持续增长，于是下定决心减肥，并办了一张健身房的年卡，并且每餐也以沙拉等轻食为主，杜绝珍珠奶茶等高糖分的摄入。令她烦恼的是，每次吃完饭用手机银行App结账的时候，App总会向她推荐附近的奶茶店。为了避免因禁不住诱惑而导致减肥前功尽弃，小何毅然决定卸载该手机银行的App。
由于黑盒模型内部结构的复杂性，模型使用者往往无法得知数据进入模型之后，是如何得到预测结果的，这就好像变魔术一样，魔术师从黑盒里变出不同的物品，观众却不明所以。
对于决策者，尤其是对于高风险领域（比如自动驾驶、金融领域、医疗行业等）的决策者，在不清楚黑盒模型运作原理的情况下，是不敢仅凭模型的预测结果就轻易做出决策的。
虽然人工智能和机器学习技术大大提升了人类生活和工作的效率，在很多领域，人工智能都在发挥着巨大的作用。但不可忽视的是，人工智能、机器学习中的模型黑盒问题，也同样需要引起我们的重视，值得我们深入思考。模型黑盒问题具体包括如下三点。
1. 无法挖掘因果关系问题或因果错判问题
我们在使用机器学习模型时，不仅希望模型能够给出正确的预测结果（尤其是在医学、金融、自动驾驶等高风险领域），还希望模型能够为我们提供判断依据。
黑盒模型内部结构复杂，使用黑盒模型做预测时，我们会根据一些模型的评价指标（如AUC）去评估模型的好坏，但即使AUC很高，我们也依然不清楚黑盒模型的判断依据是否正确。如果模型无法给出合理的因果关系，那么模型的结果也将很难使人信服。
微软著名研究院的Caruana曾在论文[1]中提到过一个医学上的例子：
在一个关于肺炎风险的数据集中，我们想要预测不同肺炎病人的死亡概率，从而更好地治疗高风险的肺炎病人。最准确的模型是神经网络，AUC达到0.86，但是当我们使用基于规则的模型时，模型学习到了“如果病人带有哮喘，那么他属于低风险人群”。也就是说，带有哮喘的肺炎患者的死亡率比其他肺炎患者要低。
这个结论看起来模棱两可，违背了我们的客观认知，但深入挖掘下去，我们便会发现其中的逻辑关系：有哮喘病史的肺炎患者，由于病情的严重性，会得到更进一步的治疗，治疗的效果通常也会很好，从而降低了这类患者的死亡率。
如果我们直接使用属于黑盒模型的神经网络模型，那么模型由于无法推导出这样的因果关系，从而将带有哮喘的肺炎病人判断为低死亡率（低风险）人群，这类人群便有可能错过最佳治疗时间，实际上他们需要得到更好的治疗。
2. 黑盒模型的不安全性问题
黑盒模型的不安全性问题可以分为两大类，具体说明如下。
一是对于建模人员来说，黑盒模型内部结构复杂，当模型受到外界攻击时，我们通常很难发现这些攻击。倘若黑客在原始模型的输入样本中添加了一些扰动（通常称为对抗样本），那么模型很有可能会产生错判，建模人员如果无法及时调整模型，就会导致非常严重的后果。
例如，将黑盒模型应用于自动驾驶时，如果黑客向轮胎的图像样本中加入一些扰动，则可能会导致轮胎的识别错误，从而造成严重的车祸问题。如果建模人员在建模时未发现模型存在这样的问题，那么在模型投入实际应用时，行车的安全系数将会大大降低。
二是对于模型的使用者来说，他们并不了解模型的运作机制，只是利用模型的结果作出决策。
当我们拿到一个新工具时，我们不仅需要知道如何正确地操作该工具，还需要了解使用该工具时的注意事项、存在哪些风险点，正如医生向病人提供治疗的药物时，除了用量和服用方式之外，药物说明书上还会写明不良反应、禁忌和注意事项等，病人了解这些信息后才能安心服药。
黑盒模型无法解释模型的结果，结果通常是以概率或评分的形式给出，使用者对模型结果的风险点却少有了解，这就好比病人不了解药物的不良反应一样。如果有人使用欺诈或伪造的方式，提升自己在黑盒模型中的评分，使用者很难从黑盒模型的结果中发现异常，这就会造成模型结果在使用中存在不安全性的问题。
3. 黑盒模型可能存在偏见问题
偏见是指对某类人群带有主观意识情感，就人论事，如性别歧视、种族歧视等都是常见的偏见问题。黑盒模型存在偏见问题，表面上好像是在说黑盒模型能够反映人类的思想，实际上是指黑盒模型在做预测时，放大了数据收集过程中可能存在的数据不平衡性问题，导致模型最终得出具有偏见性的结果。
比如在美国广泛使用的COMPAS算法，该算法通过预测罪犯再次犯罪的可能性来指导判刑，根据美国新闻机构的报道，COMPAS算法存在明显的偏见，根据分析，该系统预测黑人被告再次犯罪的风险要远远高于白人，甚至达到了后者的两倍。
从算法的结果来分析，黑人的预测风险要高于实际风险，黑人被误判的几率是白人的2倍多，也就是说，COMPAS算法对黑人是很不公平的，该算法的应用已经严重影响到了判决的公正和公平。
有些模型的算法还会涉及性别歧视、年龄歧视等问题。由于黑盒模型缺乏内在解释性，进行模型训练时又难免会使用不均衡的样本数据，因此使用这样的模型，问题严重时可能会引发一系列的社会问题。同样的道理，在金融领域，当我们做风险评估时，黑盒模型可能会对不同性别、地域、年龄等特征进行不同的处理。
综上所述，如何避免模型做出带有偏见性的预测，是值得我们关注的问题。
参考文献：
[1]Caruana R, Lou Y, Gehrke J, et al. Intelligible Models for HealthCare: Predicting Pneumonia Risk and Hospital 30-day Readmission [C] // ACM, 2015.
本文摘编自《可解释机器学习：模型、方法与实践》，经出版方授权发布。（ISBN：9787111695714）
推荐语：国内金融人工智能一线团队倾力打造，追踪最前沿的研究进展，全面、系统地介绍了可解释机器学习模型及方法。
干货直达👇
更多精彩👇
在公众号对话框输入以下关键词查看更多优质内容！
读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化AI | 人工智能 | 机器学习 | 深度学习 | NLP5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都关注了这个公众号👇