Entscheidungsfindung mit kontrafaktischen Erklärungen verbessern

In letzter Zeit haben Unternehmen angefangen, maschinelles Lernen zu nutzen, um Ergebnisse in ihren Prozessen vorherzusagen. Das ist besonders nützlich in Bereichen wie Finanzen und Gesundheitswesen. Allerdings sind viele der verwendeten Methoden kompliziert und schwer zu verstehen. Das macht es für Entscheidungsträger schwierig, den Vorhersagen zu vertrauen und zu wissen, warum bestimmte Ergebnisse erwartet werden. Um dem entgegenzuwirken, wurden kontrafaktische Erklärungen entwickelt. Diese Erklärungen zeigen „Was wäre wenn“-Szenarien, die den Nutzern helfen, zu verstehen, wie das Ändern bestimmter Faktoren zu anderen Ergebnissen führen könnte.

Kontrafaktische Erklärungen sind wertvoll, weil sie die Entscheidungen, die von prädiktiven Modellen getroffen werden, klarer machen. Leider ist die Erstellung dieser Erklärungen im Geschäftskontext mit besonderen Herausforderungen verbunden, insbesondere aufgrund der sequentiellen Natur von Geschäftsprozessen. Dieser Artikel spricht über einen neuen Ansatz zur Erstellung von kontrafaktischen Erklärungen, die sowohl realistisch als auch verständlich sind.

#Die Herausforderung, Geschäftsergebnisse vorherzusagen

In Geschäftsprozessen, wie z.B. bei Kreditanträgen oder Patientenaufnahmen in Krankenhäusern, wird jede Situation Schritt für Schritt aufgezeichnet. Zum Beispiel verfolgt der Prozess eines Kreditangebots die Aktivitäten von dem Zeitpunkt an, an dem ein Kunde seinen Antrag einreicht, bis eine Entscheidung getroffen wird. Prädiktive Werkzeuge zielen darauf ab, Muster in diesen Daten zu erkennen, um Fragen zu beantworten wie: Wie lange wird es dauern, einen Antrag zu bearbeiten? Wird ein Angebot gemacht? Oder wird ein Antrag akzeptiert?

Obwohl fortschrittliche Vorhersagemodelle die Genauigkeit verbessert haben, funktionieren sie oft wie Black Boxes. Die Nutzer können nicht in diese Modelle hineinschauen, um zu verstehen, wie sie Vorhersagen treffen. Diese mangelnde Transparenz erzeugt eine Lücke zwischen den Modellausgaben und dem Vertrauen der Nutzer. Als Reaktion auf Vorschriften zur Transparenz von KI werden kontrafaktische Erklärungen als vielversprechender Weg angesehen, um verständliche Einblicke in Vorhersagen zu bieten.

#Was sind kontrafaktische Erklärungen?

Kontrafaktische Erklärungen legen dar, welche Veränderungen in den Eingaben zu einer anderen Vorhersage führen könnten. Wenn ein Modell vorhersagt, dass ein Kredit nicht genehmigt wird, könnte eine kontrafaktische Erklärung darauf hinweisen, welche Aspekte des Antrags verändert werden könnten, um dieses Ergebnis zu ändern.

Diese Erklärungen konzentrieren sich auf Fälle, in denen die Ergebnisse nicht wie gewünscht ausfallen. Wenn beispielsweise ein Kredit abgelehnt wird, kann das Kontrafaktum darauf hinweisen, welche Anpassungen den Antrag erfolgreich gemacht hätten. Ziel ist es, Entscheidungsträgern einen klareren Überblick darüber zu geben, wie verschiedene Faktoren die Vorhersagen beeinflussen, um bessere Entscheidungen zu treffen.

#Die Natur von Geschäftsdatenprozessen

Daten in Geschäftsprozessen sind oft anders als andere Datenarten, wie z.B. Tabellen oder Zeitseriendaten. Geschäftsdatenprozesse bestehen aus Ereignissen, die in einer bestimmten Reihenfolge miteinander verbunden sind. Zum Beispiel umfasst die Patientenversorgung in einem Krankenhaus eine Reihe von Aktionen von der Registrierung bis zur Entlassung, wobei jede Aktion ein Ereignis im Prozess darstellt.

Bei der Erstellung kontrafaktischer Erklärungen in dieser Art von sequentiellem Kontext funktionieren traditionelle Methoden oft nicht gut. Der Ansatz muss die Reihenfolge der Ereignisse berücksichtigen und wie Veränderungen an einem Ereignis den gesamten Prozess beeinflussen könnten.

#Wichtige Eigenschaften von gültigen Kontrafaktoren

Um nützliche kontrafaktische Erklärungen zu erstellen, müssen bestimmte Eigenschaften berücksichtigt werden:

1. Nähe: Kontrafaktoren sollten nah am ursprünglichen Datenpunkt sein, was bedeutet, dass nur geringfügige Änderungen vorgenommen werden sollten.

2. Sparsity: Die Anzahl der veränderten Merkmale sollte minimal sein. Kürzere, einfachere Änderungen sind oft leichter zu verstehen.

3. Vielfalt: Es sollte eine Vielzahl von Kontrafaktoren geben, die den Nutzern mehrere Optionen bieten.

4. Glaubwürdigkeit: Kontrafaktoren müssen glaubwürdig sein. Sie können keine unmöglichen Veränderungen vorschlagen, wie das Ändern unveränderlicher Merkmale wie Alter oder Geschlecht.

5. Durchführbarkeit: Änderungen, die von Kontrafaktoren vorgeschlagen werden, müssen realistisch und umsetzbar sein. Ideale Kontrafaktoren wären leicht umsetzbar.

#Der vorgeschlagene Ansatz zur Generierung von Kontrafaktoren

Um die spezifischen Herausforderungen bei der Erstellung kontrafaktischer Erklärungen für Geschäftsergebnisse anzugehen, wurde eine neue Methode, genannt REVISED, entwickelt. Dieser Ansatz priorisiert durchführbare und glaubwürdige Kontrafaktoren, indem er sich auf Datenmuster in historischen Prozessen konzentriert.

#Schritt 1: Lernen des Datenmanifolds

Der erste Schritt der REVISED-Methode besteht darin, die zugrunde liegenden Muster in den Geschäftsdaten zu lernen. Dies geschieht mithilfe eines Modells, das als variational autoencoder (VAE) bekannt ist. Indem die Hauptmerkmale der Daten erfasst werden, kann das Modell Vorschläge generieren, die den gelernten Mustern entsprechen. So wird sichergestellt, dass alle produzierten Kontrafaktoren in realen Daten verankert sind.

#Schritt 2: Generierung von Kontrafaktoren

Sobald die Datenmuster gelernt sind, können Kontrafaktoren generiert werden, indem Anpassungen an den bestehenden Datenpunkten vorgenommen werden. Der Algorithmus folgt einem Prozess, der Folgendes beinhaltet:

1. Beginn mit einem anfänglichen Datenpunkt.
2. Schrittweise Erstellung von Kontrafaktoren, indem die Daten angepasst werden, wobei überwacht wird, wie nah diese Anpassungen die Kontrafaktoren an realistische Szenarien halten.
3. Überprüfung, dass die vorgeschlagenen Kontrafaktoren keine etablierten Regeln oder Einschränkungen des Prozesses verletzen.

Bei jedem Schritt stellt der Algorithmus sicher, dass der vorgeschlagene Kontrafaktor die Kriterien für Glaubwürdigkeit und Durchführbarkeit erfüllt, und gibt letztendlich eine Liste gültiger Kontrafaktoren zurück.

#Die Bedeutung der Declare-Sprache

Um die Generierung von Kontrafaktoren zu unterstützen, wird eine formale Sprache namens Declare verwendet. Declare hilft dabei, die Regeln zu beschreiben, die die Reihenfolge und Beziehungen zwischen Aktivitäten in einem Geschäftsprozess regeln. Durch die Verwendung von Declare-Mustern kann die REVISED-Methode sicherstellen, dass Kontrafaktoren im Einklang mit den etablierten Prozessregeln stehen.

Durch Declare erfasst der Ansatz wichtige Regelwerke, die auf die generierten Kontrafaktoren angewendet werden können. Wenn ein Kontrafaktum beispielsweise eine Aktion vorschlägt, die gegen die festgelegte Reihenfolge der Ereignisse verstösst, kann es sofort als ungültig markiert werden.

#Experimentelle Validierung des Ansatzes

Eine Reihe von Experimenten wurde durchgeführt, um die Wirksamkeit der REVISED-Methode zu testen. Durch die Anwendung auf verschiedene Ereignisprotokolle, die reale Daten aus Geschäftsprozessen enthalten, hat der Ansatz vielversprechende Ergebnisse gezeigt.

In diesen Tests wurde die REVISED-Methode mit der ursprünglichen REVISE-Methode verglichen und es wurde festgestellt, dass die neue Methode nicht nur mehr Kontrafaktoren erzeugte, sondern auch deren Glaubwürdigkeit verbesserte. Die Integration von Declare-Sprachbeschränkungen hat die Qualität der Erklärungen erheblich verbessert und wertvolle Einblicke für die Nutzer geliefert.

#Fallstudie: Sepsis-Ereignisprotokoll

Um die praktische Anwendung der REVISED-Methode zu veranschaulichen, wurde eine Fallstudie mit einem Sepsis-Ereignisprotokoll aus einem Krankenhaus durchgeführt. Dieses Protokoll zeichnet Reihenfolgen von Ereignissen auf, die Patienten betreffen, die mit lebensbedrohlichen Symptomen aufgenommen wurden. Ziel war es, Kontrafaktoren für Patienten zu generieren, deren Ergebnisse eine Aufnahme auf die Intensivstation vorhersagten.

In dieser Fallstudie hoben die produzierten Kontrafaktoren spezifische Veränderungen im Pflegeprozess hervor, die bestimmten Patienten helfen könnten, eine Aufnahme auf die Intensivstation zu vermeiden. Diese praktische Anwendung zeigt, wie die REVISED-Methode Gesundheitsdienstleistern helfen kann, Ergebnisse zu verstehen und informierte Entscheidungen auf der Grundlage prognostizierter Daten zu treffen.

#Verwandte Arbeiten zur Generierung von kontrafaktischen Erklärungen

Es gibt zahlreiche Ansätze zur Generierung von Kontrafaktoren in verschiedenen Bereichen. Einige Methoden konzentrieren sich hauptsächlich darauf, Vorhersagen interpretierbarer zu machen, während andere betonen, durchführbare und umsetzbare Ergebnisse zu generieren. Die REVISED-Methode sticht hervor, weil sie sowohl Glaubwürdigkeit als auch Durchführbarkeit integriert und speziell für Geschäftsdatenprozesse entwickelt wurde.

#Vergleich mit anderen Ansätzen

Viele bestehende Algorithmen zur Generierung von Kontrafaktoren berücksichtigen nicht die spezifischen Bedürfnisse sequentieller Daten. Während einige möglicherweise eine vielfältige Menge an Kontrafaktoren generieren, berücksichtigen sie oft nicht die zugrunde liegenden Regeln des Geschäftsprozesses. Die REVISED-Methode spricht diese Lücke einzigartig an, indem sie sicherstellt, dass erzeugte Kontrafaktoren den Prozessbeschränkungen entsprechen.

#Fazit

Zusammenfassend stellt die REVISED-Methode zur Generierung von Kontrafaktoren einen bedeutenden Fortschritt dar, wenn es darum geht, Vorhersagen in Geschäftsprozessen zu Erklären. Durch die Kombination der Strenge etablierter Datenmuster mit praktischen, umsetzbaren Änderungen verbessert der Ansatz die Transparenz und das Vertrauen in prädiktive Modelle.

Unternehmen können von der Verwendung dieser Methode profitieren, um die Entscheidungsfindung zu verbessern und besser zu verstehen, welche Faktoren die Ergebnisse in ihren Prozessen beeinflussen. Das hat das Potenzial, sowohl die betriebliche Effizienz als auch die Kundenzufriedenheit in verschiedenen Bereichen zu steigern, was letztendlich zu informierteren Entscheidungen auf der Grundlage prädiktiver Einblicke führt.