論文の概要: Augmented cross-selling through explainable AI -- a case from energy retailing

• arxiv url: http://arxiv.org/abs/2208.11404v1
• Date: Wed, 24 Aug 2022 09:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:23:08.623264
• Title: Augmented cross-selling through explainable AI -- a case from energy retailing
• Title（参考訳）: 説明可能なAIによるクロスセールス強化 - エネルギー小売の事例
• Authors: Felix Haag, Konstantin Hopf, Pedro Menelau Vasconcelos, Thorsten Staake
• Abstract要約: エネルギー小売店の顧客220,185件のデータを分析し、最大86%の正当性(AUC)でクロス購入を予測し、XAI法SHAPが実際の購入者に対する説明を提供することを示す。 さらに,情報システム,XAI,関係マーケティングにおける研究の意義について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The advance of Machine Learning (ML) has led to a strong interest in this technology to support decision making. While complex ML models provide predictions that are often more accurate than those of traditional tools, such models often hide the reasoning behind the prediction from their users, which can lead to lower adoption and lack of insight. Motivated by this tension, research has put forth Explainable Artificial Intelligence (XAI) techniques that uncover patterns discovered by ML. Despite the high hopes in both ML and XAI, there is little empirical evidence of the benefits to traditional businesses. To this end, we analyze data on 220,185 customers of an energy retailer, predict cross-purchases with up to 86% correctness (AUC), and show that the XAI method SHAP provides explanations that hold for actual buyers. We further outline implications for research in information systems, XAI, and relationship marketing.
• Abstract（参考訳）: 機械学習(ML)の進歩は、意思決定をサポートするためにこの技術に強い関心を寄せている。 複雑なMLモデルは、従来のツールよりも正確な予測を提供するが、そのようなモデルは、ユーザからの予測の背後にある理由を隠蔽することが多く、採用率の低下と洞察の欠如につながる。 この緊張に触発され、MLが発見したパターンを明らかにするための説明可能な人工知能(XAI)技術が研究されている。 MLとXAIのどちらも高い期待にもかかわらず、従来のビジネスにとってのメリットの実証的な証拠はほとんどない。 そこで我々は,エネルギー小売業者の220,185件の顧客データを分析し,最大86%の正当性(AUC)でクロス購入を予測し,XAI法SHAPが実際の購入者に対する説明を提供することを示す。 さらに,情報システム,XAI,関係マーケティングにおける研究の意義について概説する。

関連論文リスト

• A Survey of Explainable Artificial Intelligence (XAI) in Financial Time Series Forecasting [1.2937020918620652]
  eXplainable AI(XAI)の分野は、AIモデルをより理解しやすくすることを目指している。 本稿では、金融時系列を予測するXAIアプローチを分類する。 金融におけるXAIの現在の役割を包括的に把握している。
  論文  参考訳（メタデータ） (2024-07-22T17:06:19Z)
• Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
  我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。 このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。 適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
  論文  参考訳（メタデータ） (2024-03-21T14:48:37Z)
• Usable XAI: 10 Strategies Towards Exploiting Explainability in the LLM Era [77.174117675196]
  XAIはLarge Language Models (LLM)に拡張されている 本稿では,XAIがLLMやAIシステムにどのようなメリットをもたらすかを分析する。 10の戦略を導入し、それぞれに重要なテクニックを導入し、関連する課題について議論します。
  論文  参考訳（メタデータ） (2024-03-13T20:25:27Z)
• X Hacking: The Threat of Misguided AutoML [2.3011205420794574]
  本稿では、シャップ値などのXAIメトリクスに適用されたpハックの一種であるXハックの概念を紹介する。 自動機械学習パイプラインは、共通のベースラインに優れたパフォーマンスを維持しつつ、望ましい説明を生成する「防御可能な」モデルを探すためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2024-01-16T17:21:33Z)
• A Hypothesis on Good Practices for AI-based Systems for Financial Time Series Forecasting: Towards Domain-Driven XAI Methods [0.0]
  機械学習とディープラーニングは、財務予測や予測タスクでますます普及している。 これらのモデルは透明性と解釈可能性に欠けることが多く、金融のような繊細なドメインでの使用を困難にしている。 本稿では、金融のためのAIベースのシステムに説明可能性を展開するための優れた実践について考察する。
  論文  参考訳（メタデータ） (2023-11-13T17:56:45Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• A Time Series Approach to Explainability for Neural Nets with Applications to Risk-Management and Fraud Detection [0.0]
  技術に対する信頼は、予測の背後にある根拠を理解することによって実現される。 横断的なデータの場合、古典的なXAIアプローチはモデルの内部動作に関する貴重な洞察をもたらす可能性がある。 本稿では、データの自然時間順序を保存・活用する深層学習のための新しいXAI手法を提案する。
  論文  参考訳（メタデータ） (2022-12-06T12:04:01Z)
• Machine Learning in Transaction Monitoring: The Prospect of xAI [0.0]
  本研究では、機械学習が自動化と拡張がトランザクションモニタリングプロセスにどのように影響するかを検討する。 xAI 要求は TM プロセスの責任者に依存しており,TM の強化や自動化によって変化する。 結果から, ML の TM への導入を適切に促進するための, xAI のユースケース固有のアプローチが示唆された。
  論文  参考訳（メタデータ） (2022-10-14T08:58:35Z)
• Beyond Explaining: Opportunities and Challenges of XAI-Based Model Improvement [75.00655434905417]
  説明可能な人工知能(XAI)は、高度に複雑な機械学習(ML)モデルに透明性をもたらす新たな研究分野である。 本稿では,機械学習モデルの諸特性を改善するために,XAIを実用的に応用する手法を概観する。 実験では,モデル一般化能力や推論などの特性を改善する上で,説明がどのように役立つのかを,おもちゃと現実的な設定で実証的に示す。
  論文  参考訳（メタデータ） (2022-03-15T15:44:28Z)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
  反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。 現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。 本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T20:48:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。