Chinh Phục Khung Tuân Thủ "Right to Explanation" Bằng Explainable AI (XAI)

Conquering the "Right to Explanation" Compliance Framework Using Explainable AI (XAI)

1. Chẩn đoán rủi ro: Rào cản pháp lý từ hộp đen AI Khung pháp lý GDPR (Điều 22) và các luật bảo vệ dữ liệu hiện hành áp đặt...

1. Risk Diagnosis: The Legal Barrier of Black-Box AI Regulatory frameworks like GDPR (Article 22) mandate the "Right to Explanation" for automated decisions. When enterprises deploy black-box AI models (such...

import shap
import xgboost as xgb
import pandas as pd
import json

# 1. Huấn luyện mô hình phân loại giả định
X, y = shap.datasets.california_housing(as_frame=True)
model = xgb.XGBRegressor().fit(X, y)

# 2. Khởi tạo TreeExplainer để giải thích quyết định
explainer = shap.TreeExplainer(model)
shap_values = explainer(X)

# 3. Trích xuất giải thích cho một khách hàng cụ thể (ví dụ: khách hàng đầu tiên)
first_user_explanation = {
    "features": X.columns.tolist(),
    "shap_values": shap_values.values[0].tolist(),
    "base_value": float(shap_values.base_values[0]),
    "prediction": float(model.predict(X.iloc[[0]])[0])
}

# Xuất log phục vụ kiểm toán tuân thủ
print(json.dumps(first_user_explanation, indent=2))

import shap
import xgboost as xgb
import pandas as pd
import json

# 1. Train a dummy regression model
X, y = shap.datasets.california_housing(as_frame=True)
model = xgb.XGBRegressor().fit(X, y)

# 2. Initialize TreeExplainer for model explanation
explainer = shap.TreeExplainer(model)
shap_values = explainer(X)

# 3. Extract explanation for a specific customer (e.g., the first instance)
first_user_explanation = {
    "features": X.columns.tolist(),
    "shap_values": shap_values.values[0].tolist(),
    "base_value": float(shap_values.base_values[0]),
    "prediction": float(model.predict(X.iloc[[0]])[0])
}

# Export log for compliance audit
print(json.dumps(first_user_explanation, indent=2))