Впровадження SHAP/LIME для пояснюваності ML-моделей

Модель XGBoost дає AUC 0.91 на валідації. На продакшені з'являються неочікувані передбачення — високі скори для явно нерелевантних об'єктів. Feature importance з самого бустингу показує топ-10 ознак, але не пояснює конкретне передбачення. Цей конкретний об'єкт може отримати score 0.87 з неочевидних причин — і ми як інженери зобов'язані дати відповідь. Ми впроваджуємо SHAP та LIME для пояснюваності моделей у production, і це не просто аудит — це частина ML-пайплайну під ключ.

SHAP та LIME відповідають на різні версії питання «чому?». Важливо розуміти, коли застосовувати кожен метод і де вони ламаються.

Як працюють SHAP та LIME?

SHAP (SHapley Additive exPlanations, Lundberg & Lee) заснований на теорії кооперативних ігор Шеплі. Ідея: внесок кожної ознаки в передбачення — середнє її маргінального впливу при всіх можливих коаліціях ознак. Ключова властивість: адитивність. Сума SHAP values всіх ознак + base value (середнє передбачення моделі) дорівнює конкретному передбаченню. Це математично точне розкладання, не апроксимація.

LIME (Locally Interpretable Model-agnostic Explanations, Ribeiro et al.) працює інакше: навколо об'єкта генерується випадкова хмара збурень, для кожного отримується передбачення black-box моделі, потім на цій хмарі навчається проста інтерпретована модель (лінійна регресія або дерево). LIME стохастичний, тому в продакшені ми фіксуємо seed і використовуємо num_samples=5000+.

Які проблеми вирішують SHAP та LIME?

1. Провали feature importance. Вбудована важливість ознак у XGBoost показує глобальну картину, але не пояснює окремий випадок. SHAP вирішує це детермінованим розкладанням.
2. Чорний ящик для бізнесу. Регулятори вимагають пояснень за кожним рішенням. TreeSHAP дає прозорість за прийнятний час.
3. Дрейф моделі без сигналу. SHAP values, що логуються в ClickHouse, дозволяють відстежувати зміну впливу ознак раніше, ніж падіння метрик.

TreeSHAP — чому важлива архітектурна спеціалізація

Для tree-based моделей (XGBoost, LightGBM, CatBoost, sklearn RandomForest) існує TreeSHAP — алгоритм з поліноміальною складністю O(TLD²). Це на порядки швидше за наївний KernelSHAP.

import shap
import xgboost as xgb

model = xgb.XGBClassifier()
model.fit(X_train, y_train)

explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)

# Waterfall plot для конкретного передбачення
shap.plots.waterfall(explainer(X_test)[0])

# Summary plot — глобальна важливість
shap.summary_plot(shap_values, X_test)

На практиці TreeSHAP на LightGBM з 500 деревами обробляє 10 000 прикладів за 2–3 секунди на CPU. Цілком прийнятно для batch inference.

Чому LIME іноді кращий за SHAP?

• Модель не підтримується TreeSHAP і занадто повільна для KernelSHAP.
• Потрібне пояснення в термінах «супер-пікселів» для зображень або виділення слів для текстів.
• Потрібен швидкий прототип без глибокої математики.

Але пам'ятайте: LIME не детермінований. При різних random_state пояснення для одного об'єкта можуть відрізнятися. У продакшені ми використовуємо фіксований seed та num_samples=5000+.

Порівняння методів

Типові проблеми та рішення

Інтеграція в production ML pipeline

Пояснення потрібні не тільки для аудиту — вони частина операційного пайплайну.

Кейс з практики: клієнт — страхова компанія, розрахунок страхових премій (LightGBM, 120 ознак). Вимога: агент повинен пояснити клієнту по телефону причину високої премії. Рішення: TreeSHAP в inference API. Для кожного передбачення повертається топ-3 ознаки з найбільшими SHAP values + автоматичний шаблон тексту: «Ваша премія вища за середню з наступних причин: вік автомобіля (+12%), регіон реєстрації (+8%), історія виплат (+6%)». Latency overhead: 35ms на TreeSHAP при середньому inference 18ms — прийнятно.

Моніторинг: SHAP values логуються в ClickHouse. Раз на тиждень агрегуємо — дрейф у розподілі SHAP values сигналізує про feature drift раніше, ніж падіння AUC.

Обмеження, про які варто знати

SHAP ≠ causality. Високий SHAP value у ознаки означає кореляцію з передбаченням, а не причинно-наслідковий зв'язок. «Ознака X впливає на передбачення» ≠ «зміна X змінить результат у реальності».

Мультиколінеарність ламає інтерпретацію. Якщо дві ознаки корелюють (r > 0.8), SHAP ділить їх вплив довільно. При інтерпретації потрібен аналіз кореляцій.

Для LLM — обидва методи дають грубі оцінки. Attention weights часто інформативніші для задач генерації, але теж не строгий proxy важливості.

Що входить в нашу роботу

• Аналіз моделі та даних: обираємо підходящий метод — TreeSHAP, KernelSHAP, LIME — з урахуванням архітектури та latency-вимог.
• Розробка explainer-модуля: інтеграція в існуючий inference API.
• Генерація звітів: waterfall plot, summary plot, автоматичні текстові шаблони.
• Моніторинг: логування SHAP values в ClickHouse, побудова дашбордів дрейфу.
• Навчання команди: документація, workshop для інженерів та бізнес-користувачів.

Строки та вартість

Строки: від 1 тижня на базову інтеграцію одного методу до 3–4 тижнів на повний pipeline з моніторингом та дашбордами. Вартість розраховується індивідуально під кожен проект. Зв'яжіться з нами для попередньої оцінки — розкажемо, які результати отримаєте.

Наш досвід: понад 50 проектів з explainable AI, 5 років на ринку, сертифіковані ML-інженери. Гарантуємо прозорість та підтримку після впровадження.

Замовте консультацію — допоможемо зробити вашу модель зрозумілою та відповідною вимогам регуляторів.

Пояснюваність ML: SHAP, LIME, Integrated Gradients та вимоги EU AI Act

Уявіть: модель кредитного скорингу відхилила заявку. Клієнт вимагає пояснення, комплаєнс-офіцер — розгорнуту документацію. Без вбудованих методів пояснюваності (XAI) відповідність сучасним регуляторним вимогам неможлива. Наш досвід — понад 50 проєктів із впровадження SHAP, LIME, Integrated Gradients у продакшн. Ми гарантуємо, що ваше AI-рішення стане прозорим, інтерпретованим і пройде аудит з першого разу. Середній термін впровадження базового пояснення — 2–4 тижні, повне комплаєнс-рішення — від 6 до 14 тижнів. Замовте консультацію для попередньої оцінки вашого проєкту.

Чому пояснюваність AI критична для бізнесу та комплаєнсу

Пояснюваність — не одне завдання, а три різні вимоги.

Global explainability показує, як модель працює в цілому: які ознаки важливі, як вони впливають на прогноз у середньому. Інструменти — SHAP summary plots, partial dependence plots (PDP), permutation importance.

Local explainability пояснює конкретний прогноз: чому цей кредит відхилено, які пікселі призвели до класифікації «кіт». Інструменти — SHAP waterfall, LIME, Integrated Gradients.

Contrastive/counterfactual відповідає на питання, що потрібно змінити для іншого результату: «Якби дохід був на $10k вищим, чи схвалили б кредит?» Інструменти — DiCE (Diverse Counterfactual Explanations), alibi.

Як SHAP допомагає пояснювати табличні моделі

SHAP (SHapley Additive exPlanations) — стандарт для табличних даних. Заснований на теорії кооперативних ігор: кожній ознаці присвоюється внесок у відхилення прогнозу від середнього по датасету. Математично коректний — виконує властивості efficiency, symmetry, dummy, additivity.

import shap

explainer = shap.TreeExplainer(lgbm_model)
shap_values = explainer.shap_values(X_test)

# Waterfall plot для одного прогнозу
shap.plots.waterfall(explainer(X_test)[0])

# Summary для всієї вибірки
shap.summary_plot(shap_values, X_test, feature_names=feature_names)

TreeExplainer — швидкий точний алгоритм для tree-based моделей (LightGBM, XGBoost, Random Forest, CatBoost). Обчислює точні SHAP значення за O(TLD²), де T — дерева, L — листя, D — глибина. На моделі з 1000 дерев глибини 6 — мілісекунди на пояснення. LinearExplainer — для лінійних моделей (логістична регресія, Ridge) — аналітичне рішення миттєво. KernelExplainer — model-agnostic, працює з будь-якою моделлю, але повільніше: O(2^M) семплів для M ознак. На практиці використовуємо nsamples=1000–5000 як наближення. Для нейромереж — DeepExplainer або GradientExplainer.

Типова помилка: SHAP значення для корельованих ознак розподіляються рівномірно між ними — це математично коректно, але візуально заплутує. Ознаки income та income_log мають схожий SHAP, хоча використовується лише одна. Рішення — прибрати дублі ознак до навчання.

SHAP TreeExplainer в 100 разів швидший за KernelExplainer для моделей на деревах, тому при роботі з великими датасетами (10M+ рядків) ми використовуємо саме його.

Коли LIME незамінний

LIME (Local Interpretable Model-Agnostic Explanations) будує локальну лінійну апроксимацію навколо пояснюваного прикладу. Швидший за SHAP для складних нейромереж, але нестабільний: два запуски на одному прикладі можуть дати різні пояснення. Сильна сторона LIME — пояснення для тексту. LimeTextExplainer показує, які слова вплинули на класифікацію. Для швидкого дебаггінгу класифікатора тексту — зручний інструмент.

from lime.lime_text import LimeTextExplainer
explainer = LimeTextExplainer(class_names=['neg', 'pos'])
exp = explainer.explain_instance(text, classifier.predict_proba, num_features=10)
exp.show_in_notebook()

Що дає Integrated Gradients для нейромереж

Для deep learning моделей (CNN, Transformer) ні SHAP KernelExplainer, ні LIME не дають задовільного пояснення: обидва надто повільні або неточні. Integrated Gradients (IG) — gradient-based метод, теоретично обґрунтований (axioms completeness, sensitivity, implementation invariance). IG обчислює інтеграл градієнтів вздовж прямої лінії від базового вводу (baseline, зазвичай нулі або середні значення) до реального вводу. Результат — attribution map, що показує внесок кожного пікселя/токена.

from captum.attr import IntegratedGradients

ig = IntegratedGradients(model)
attributions = ig.attribute(
    inputs=input_tensor,
    baselines=baseline_tensor,
    target=predicted_class,
    n_steps=300,
)

Бібліотека captum від Meta — стандарт для PyTorch. Включає IG, GradCAM, SHAP DeepLift, LayerConductance. GradCAM — простіший, швидший, гірший теоретично. Візуалізує, на які області зображення дивиться CNN. Достатній для дебаггінгу CV-моделей, недостатній для комплаєнс-документації.

Integrated Gradients забезпечує стабільність, якої не може дати LIME, тому саме його ми рекомендуємо для production-систем, що підпадають під регуляторні вимоги.

Як обрати метод XAI для вашої моделі

Вибір методу залежить від типу даних, вимог до швидкості та точності. Для табличних моделей найкращий SHAP TreeExplainer. Для текстових даних — LIME для швидкого прототипування або Integrated Gradients для нейромереж. Для зображень — GradCAM для швидкого візуального аналізу або Integrated Gradients для детальної атрибуції. Якщо потрібна стабільність та регуляторна відповідність, обирайте SHAP або Integrated Gradients.

EU AI Act: що потрібно на практиці

Введений в дію EU AI Act (впроваджується поетапно) вимагає для high-risk систем (кредитний скоринг, медичні AI, системи підбору персоналу, правоохоронні):

• технічну документацію моделі, логування всіх рішень з можливістю аудиту;
• пояснення кожного індивідуального рішення на запит користувача;
• оцінку ризиків та заходи щодо їх зниження, людський нагляд (human oversight).

Технічно це означає: кожен прогноз повинен зберігатися з input features, output, timestamp, model version та pre-computed поясненням. SHAP значення обчислюються при інференсі та зберігаються разом з прогнозом.

Для LLM-систем вимоги складніші: немає стандартного методу пояснення, attention weights не є надійними атрибуціями. Поточна практика — логування повного контексту, retrieved chunks в RAG, chain-of-thought reasoning як проксі-пояснення. Ми допомагаємо визначити, чи підпадає система під high-risk категорію за Annex III EU AI Act, розробляємо технічний паспорт моделі (архітектура, дані навчання, метрики якості, обмеження), налаштовуємо систему логування рішень з retention period (мінімум 10 років для деяких категорій), інтегруємо механізм пояснень у production pipeline, впроваджуємо процедуру оскарження рішень користувачами.

Як ми впроваджуємо пояснюваність: покроковий процес

Процес складається з семи етапів, кожен з яких має фіксований термін та конкретний результат.

Результат роботи та типові помилки при впровадженні XAI

Після завершення проєкту ви отримуєте:

• технічну документацію моделі (model card) із зазначенням intended use, evaluation results по subgroups, обмежень, ethical considerations;
• інтегрований у production pipeline механізм пояснень (SHAP/LIME/IG) з автоматичним збереженням при інференсі;
• UI для перегляду пояснень (веб-інтерфейс або API) з можливістю експорту;
• систему логування з retention полем, налаштовану під вимоги EU AI Act;
• інструкцію з оскарження рішень користувачами (для клієнтського порталу);
• навчання команди замовника (2-3 воркшопи) та документацію для підтримки.

Типові помилки, які ми виявили за 10+ років практики:

• Використання KernelExplainer на великих датасетах без зменшення вибірки. Рішення: TreeExplainer для дерев, Feature Perturbation для моделей з малою кількістю фіч.
• Ігнорування кореляції ознак. SHAP розподіляє внесок рівномірно — видаліть дублі до навчання.
• Відсутність baseline в Integrated Gradients. Нульовий baseline не завжди коректний для зображень — використовуйте середній або зашумлений.
• LIME без перевірки стабільності. Запускайте 5-10 разів на одному прикладі та оцінюйте розкид.
• Неврахування latency: обчислення SHAP на кожен запит може збільшити p99 на 50–200 мс. Використовуйте асинхронні пайплайни або передобчислення для batch.
• Відсутність model versioning в логах пояснень. Без версії неможливо ретроспективно перевірити, яка модель дала пояснення.

Подальші кроки

Якщо вам потрібно впровадити пояснюваність під EU AI Act, отримати сертифіковане рішення або просто оцінити поточний рівень прозорості вашої моделі — замовте консультацію. Ми готові запропонувати індивідуальний план впровадження з урахуванням вашого стеку (PyTorch, TensorFlow, XGBoost, LLM) та регуляторних вимог. Отримайте безкоштовний аудит XAI — зв'яжіться з нами для детальної оцінки вартості та термінів вашого проєкту.