Modelden Bağımsız Metotlar – Kara Kutu Yaklaşımı

Kara kutu yaklaşımını benimseyen yöntemler algoritmik karar alma mekanizmasının koduna erişilemediğini varsayar311 _{ve davranışlarını analiz ederek}

onu açıklamaya çalışırlar. Dolayısıyla, algoritmaya dair yapılan tek varsayım varlığı ve sonuçlarının gözlemlenebilir olduğuna ilişkindir. Açıklanacak algoritmanın modeli ile ilgilenilmez. Bu anlamda sisteme girdi olarak verilen veriler ile çıktılar incelenerek aradaki ilişkiler ortaya çıkarılmaya çalışılır. Buna karşılık özellikle kişiselleştirilmiş reklam veya öneri sistemlerinde algoritma birçok hak sahibi tarafından kullanıldığı için bunları gözlemleyebilmek veya sonuçlara tamamen erişebilmek bile önemli bir sorun teşkil edebilmektedir312_.

310 _{European Parliament Panel for the Future of Science and Technology. (2019). Understanding}

Algorithmic decision-making: Opportunities and challenges. Brussels: European Union, s. 51

311 _{Algoritmanın koduna erişim birçok nedenden dolayı mümkün olmayabilir. Örneğin, yazılımın}

sahibi olan şirke fikri haklar veya ticari sır gibi gerekçeler ile ilgili kaynak kodunu paylaşmaktan kaçınmış olabilir.

312 _{European Parliament Panel for the Future of Science and Technology. (2019). Understanding}

86

Bu tarz yaklaşımlara örnek olarak LIME (local interpretable model-agnostic explanations)313, Anchor314, TREPAN, AdFischer ve Sunlight315 verilmektedir316. “Modelden bağımsız yerel açıklamalar” olarak Türkçe’ye tercüme dilebilecek olan LIME (local interpretable model-agnostic explanations), incelenen algoritmanın tamamının açıklanmasının çok karmaşık veya zor olması sebebiyle kısmi fakat anlaşılabilirliği yüksek açıklamalar ortaya koyarak algoritmanın anlaşılmasına katkıda bulunan sistemleri ifade eder317_{. Söz konusu açıklamalar histogramlar,}

kelimeler veya görseller gibi çeşitli şekillerde sağlanabilmektedir. Örneğin görsel işleme yaparak fotoğraftaki cismin bir kedi olduğu çıkarımını yapan bir algoritmanın incelemesini gerçekleştiren sistem söz konusu fotoğraftaki kedinin kafasını ve ayaklarını vurgulayarak bu noktaların belirleyici faktör olarak öne çıktığını gösterebilir.

Algoritmaların açıklanabilmesine yönelik bir başka yaklaşım, TREPAN adı verilen ve nöral ağ sistemlerinden karar ağaçları çıkararak anlaşılabilirliklerine katkıda bulunan algoritmalardır318_{. TREPAN temelde bir karar ağacı öğrenme algoritması}

olup nesne olarak açıklanacak olan algoritmik karar alma mekanizmasını ele alır. İncelediği algoritmanın çıktılarını analiz eden TREPAN bunları bir karar ağacı yapısı içerisinde görselleştirmektedir. TREPAN’ın diğer öğrenme algoritmalarının aksine belirli bir veri setiyle sınırlı olmama avantajı olduğu ifade edilmektedir319_.

313 _{Ribeiro, M. T., Singh, S. ve Guestrin, C. (2016). 'Why should I trust you?' Explaining the}

predictions of any classifier. Knowledge Discovery and Data Mining Conference (KDD). ACM

314 _{Riberio, M. T., Singh, S. ve Guestrin, C. (2018). Anchors: High-Precision Model-Agnostic}

Explanations. Association for the Advancement of Artificial Intelligence

315 _{Lecuyer, M., Spahn, R., Spiliopoulos, Y., Chaintreau, A., Geambasu, R. ve Hsu, D. (2015).}

Sunlight: Fine-grained Targeting Detection at Scale with Statistical Confidence. Proceedings of

the 22nd ACM SIGSAC Conference on Computer and Communications Security

316 _{European Parliament Panel for the Future of Science and Technology. (2019). Understanding}

Algorithmic decision-making: Opportunities and challenges. Brussels: European Union, s. 48

317 _{A.g.e., s. 48}

318 _{Craven, M. W. ve Shavlik, J. W. (1996). Extracting tree-structured representations of trained}

networks. Conference on Advances in Neural Information Processing Systems

319 _{European Parliament Panel for the Future of Science and Technology. (2019). Understanding}

87

Anchor adı verilen ve 2018 yılında ortaya atılan320 _{bir yöntem ise TREPAN gibi}

nöral gelişmiş algoritmaları inceleyerek bu algoritmaların işleyişini “if-then-else” mantığında, yani “eğer x ve/veya y ise z” şeklindeki bir formatta ifade etmeyi amaçlamaktadır. İncelenen algoritmanın karmaşıklığının yapılacak açıklamaya yansımaması için Anchor’un benzer diğer metotlara göre daha efektif işlediği iddia edilmektedir321.

İncelenecek algoritmanın farklı girdilere vereceği farklı çıktıları incelemenin yukarıdaki örnekler kadar kolay olmadığı durumlar da vardır. Sözgelimi profilleme yaparak kişiselleştirilmiş reklamlar sunan algoritmalar bu kapsamdadır. Bu tarz algoritmik sistemleri açıklayabilmek için ise araştırmacılar farklı araçlar geliştirmiştir. Örneğin AdFischer adı verilen bir yazılım söz konusu çevrimiçi takip algoritmalarını açıklayabilmek için belli ilgilere sahip hayali kullanıcılar simüle eder ve incelenen algoritmayı kullanan internet siteleri tarafından bu sanal kullanıcılara önerilen reklamları analiz eder322_{. Bu şekilde AdFischer gösterilecek}

reklamın belirlenmesinde en çok hangi faktörlerin belirleyici olduğu konusunda bir çıkarımda bulunur. AdFischer, çevrimiçi reklamların gösterilmesinde ortaya çıkabilen ayrımcı uygulamaların ve bazı ilgi konularına verilen önemin belirlenebilmesi için yapılan araştırmalarda kullanılmıştır323_.

Ortaya atılan bir başka yöntem olan Sunlight324 _{da benzer şekilde kullanıcılar}

yaratıp bunlara gösterilen reklamları analiz eder. Bununla birlikte Sunlight’ın, fazla sayıda girdiyi birlikte inceleyebildiği için istatistiksel olarak daha etkili bir analiz yapabilme yetisine sahip olduğu ifade edilmektedir. Sunlight da sağlık, dini

320 _{Riberio, M. T., Singh, S. ve Guestrin, C. (2018). Anchors: High-Precision Model-Agnostic}

Explanations. Association for the Advancement of Artificial Intelligence

321 _{European Parliament Panel for the Future of Science and Technology. (2019). Understanding}

Algorithmic decision-making: Opportunities and challenges. Brussels: European Union, s. 50

322 _{Datta, A., Tschantz, M. C., Datta, A. (2015). Automated Experiments on Ad Privacy Settings.}

Proceedings on Privacy Enhancing Technologies.

323 _{European Parliament Panel for the Future of Science and Technology. (2019). Understanding}

Algorithmic decision-making: Opportunities and challenges. Brussels: European Union, s. 50

324 _{Lecuyer, M., Spahn, R., Spiliopoulos, Y., Chaintreau, A., Geambasu, R. ve Hsu, D. (2015).}

Sunlight: Fine-grained Targeting Detection at Scale with Statistical Confidence. Proceedings of

88

inançlar veya cinsel yönelimler gibi verilere dayanılarak yapılan kişiselleştirme uygulamalarını inceleyebilmek için kullanılmıştır325_.

Görüldüğü üzere kara kutu yaklaşımı araştırmacılar için en popüler yaklaşımdır. Zira bu metot benimsendiğinde, incelenecek algoritmaya dair mümkün olduğunca az varsayımda bulunularak algoritmaya erişimin zorluğu gibi etkenler bertaraf edilmiş olup bir yandan da kullanılan metotların genelliği sayesinde çok sayıda algoritmaya uygulanabilirlik mümkün olmaktadır326_.