How Simple Can It Get? From Interpretable Equations to Readable Rules for Financial Decision Making

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपका एकमात्र सुराग ऊन का एक विशाल, उलझा हुआ गोला है जिसमें आपके द्वारा एकत्र किए गए साक्ष्य के हर एक टुकड़े को रखा गया है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, यह "ऊन का गोला" एक जटिल कंप्यूटर मॉडल है जो इस बात के बारेгнозы करता है कि क्या कोई व्यक्ति ऋण चुका पाएगा या कोई लेनदेन धोखाधड़ी वाला है। जबकि ये मॉडल अक्सर सही उत्तर का अनुमान लगाने में अविश्वसनीय रूप से अच्छे होते हैं, वे आमतौर पर इतने जटिल होते हैं कि कोई भी इंसान यह नहीं समझ सकता कि उन्होंने उस निष्कर्ष तक पहुँचने के लिए क्या किया। वित्तीय दुनिया में, यह एक बड़ी समस्या है। कानून अक्सर यह मांग करते हैं कि यदि कोई बैंक आपके ऋण आवेदन को "ना" कहता है, तो उन्हें यह समझाने में सक्षम होना चाहिए कि ऐसा क्यों किया गया, और वह व्याख्या एक साधारण व्यक्ति के समझने योग्य होनी चाहिए। यदि स्पष्टीकरण गणित का एक ऐसा जंजाल है जो एलियन कोड जैसा दिखता है, तो वह बेकार है।

यहीं से "इंटरप्रिटेबल" (व्याख्या योग्य) मॉडल्स का विचार आता है। इन्हें ऐसे मॉडल्स के रूप में सोचें जिन्हें शुरुआत से ही पारदर्शी बनाया गया है, जैसे कि एक काले बॉक्स के बजाय एक स्पष्ट कांच का बॉक्स। लेकिन यहाँ एक मोड़ है: भले ही एक स्पष्ट कांच का बॉक्स शुरू से ही पारदर्शी हो, लेकिन वह गियर और लीवरों से इतना भरा हो सकता है कि उसे पढ़ना अभी भी असंभव हो जाए। यह शोध पत्र एक बहुत ही विशिष्ट प्रश्न को संबोधित करता है: यदि हमारे पास पहले से ही एक ऐसा मॉडल है जो तकनीकी रूप से "समझने योग्य" है (क्योंकि यह केवल एक बड़ा गणितीय समीकरण है), तो हम इसे कितना सरल बना सकते हैं इससे पहले कि यह अर्थहीन हो जाए? क्या हम इसके भ्रमित करने वाले हिस्सों को काटकर एक सरल "यदि-तो" नियम बना सकते हैं, जैसे कि एक रेसिपी, बिना भविष्य की भविष्यवाणी करने की इसकी क्षमता को खराब किए? शोधकर्ता उस 'स्वीट स्पॉट' (सही संतुलन) को खोजना चाहते थे जहाँ एक नियम पढ़ने में इतना सरल हो कि एक इंसान उसे समझ सके, लेकिन निर्णय लेने में इतना स्मार्ट भी हो कि वह सटीक परिणाम दे सके।

---

द ग्रेट इक्वेशन श्रिंक (समीकरण का संकोचन)

कल्पना कीजिए कि आपके पास यह भविष्यवाणी करने के लिए एक जादुвई रेसिपी है कि क्या कोई ऋण आवेदक डिफ़ॉल्ट (ऋण चुकाने में विफल) होगा। मूल रेसिपी, जिसे एक कंप्यूटर द्वारा सीखा गया है, एक एकल, विशाल समीकरण है। यह 42 अलग-अलग सामग्रियों को आपस में गुणा करती है—जैसे कि "प्राप्त कुल ब्याज," "अंतिम भुगतान के बाद से बीता समय," और "वार्षिक आय"—प्रत्येक को एक विशिष्ट, अजीब घात (power) के साथ। यह 42 फलों के स्मूदी जैसा है, जहाँ कंप्यूटर ने तय किया कि प्रत्येक फल का कितना हिस्सा मिलाया जाना चाहिए।

समस्या क्या है? यदि आप इस 42-सामग्री वाली स्मूदी रेसिपी को एक बैंक मैनेजर को दिखाएंगे, तो वे भ्रम में देखते रह जाएंगे। यह तकनीकी रूप से "पठनीय" है क्योंकि यह केवल गणित है, लेकिन यह वास्तव में उपयोग करने के लिए बहुत लंबा है। इस शोध पत्र के लेखकों ने पूछा: "क्या होगा यदि हम इस जटिल रेसिपी से शुरुआत करें और इसे चरण-दर-चरण व्यवस्थित रूप से छोटा करें ताकि हम देख सकें कि हम इसमें से कितना स्वाद खो देते हैं?"

उन्होंने केवल अनुमान नहीं लगाया; उन्होंने मूल समीकरण को लिया और उसे चार अलग-अलग तरीकों से व्यवस्थित रूप से छीलकर छोटा किया, जैसे कि एक प्याज को छीलना:

1. द प्रून्ड मोनोमियल (छंटाई किया गया पद): उन्होंने रेसिपी ली और उन सामग्रियों को हटा दिया जो ज्यादा मायने नहीं रखती थीं। यदि किसी सामग्री ने स्वाद को बहुत कम बदला, तो उन्होंने उसे पूरी तरह से हटा दिया।
2. द डायरेक्शनल रूल (दिशात्मक नियम): उन्होंने सामग्रियों को रखा लेकिन इस बात की चिंता करना छोड़ दिया कि कितनी मात्रा का उपयोग करना है। इसके बजाय, उन्होंने केवल दिशा पर ध्यान दिया। उदाहरण के लिए, "यदि ब्याज अधिक है, तो जोखिम बढ़ जाता है।" उन्होंने सटीक नंबरों को हटा दिया और केवल "ऊपर" या "नीचे" के तीरों को रखा।
3. द स्कोरकार्ड (स्कोरकार्ड): उन्होंने सामग्रियों को सरल हाँ/नहीं वाले सवालों में बदल दिया। "कुल भुगतान $450 है" कहने के बजाय, उन्होंने पूछा, "क्या कुल भुगतान कम है?" यदि हाँ, तो आपको 5 अंक मिलते हैं। यदि नहीं, तो आपको 0 अंक मिलते हैं। उन्होंने महत्व के आधार पर पूर्णांक अंक (जैसे 1, 2, या 5) दिए।
4. द टैली (गिनती): यह सबसे सरल संस्करण था। यह केवल एक चेकलिस्ट थी। "क्या आपने स्थिति A को पूरा किया? हाँ। स्थिति B को पूरा किया? हाँ।" आप बस कितने बॉक्स चेक करते हैं, आप बस उसकी गिनती करते हैं। कोई अंक नहीं, कोई भार नहीं, बस एक साधारण गिनती।

आश्चर्यजनक परिणाम: क्या खो जाता है?

टीम ने इन सरलीकृत नियमों का परीक्षण चार वास्तविक दुनिया के वित्तीय डेटासेट्स पर किया, जिसमें ऋण डिफ़ॉल्ट और क्रेडिट कार्ड धोखाधड़ी शामिल थी। यहाँ उनकी खोज है, और यह आपको आश्चर्यचकित कर सकती है।

1. अतिरिक्त भाग को हटाना लगभग मुफ्त है।
जब उन्होंने कमजोर सामग्रियों (वे सामग्रियां जिनका प्रभाव बहुत कम था) को हटाकर "प्रून्ड मोनोमियल" बनाया, तो मॉडल की सटीकता में बहुत कम गिरावट आई। वास्तव में, एक डेटासेट पर, उन्होंने फीचर्स की संख्या 42 से घटाकर केवल 7 कर दी, और डिफ़ॉल्ट की भविष्यवाणी करने की मॉडल की क्षमता बहुत मामूली, लगभग अदृश्य मात्रा में गिरी (0.886 से 0.885)। यह ऐसा है जैसे यह महसूस करना कि आपकी स्मूदी का स्वाद बिल्कुल वैसा ही है भले ही आपने 40वां फल फेंक दिया हो। आप स्वाद खोए बिना अपनी रेसिपी को बहुत छोटा बना सकते हैं।

2. "ऊपर/नीचे" का नियम एक स्मार्ट शॉर्टकट है।
जब उन्होंने "डायरेक्शनल रूल" (सामग्रियों को रखना लेकिन केवल यह नोट करना कि वे ऊपर जा रही हैं या नीचे) पर स्विच किया, तो परिणाम दिलचस्प थे। कुछ डेटासेट्स पर, मॉडल अविश्वसनीय रूप से सटीक रहा। अन्य पर, मॉडल की जोखिमों की 'रैंकिंग' थोड़ी बदल गई, लेकिन इसने "हाँ" या "ना" कहने के वास्तविक काम में बहुत अच्छा प्रदर्शन किया। यह सुझाव देता है कि कभी-कभी, जोखिम की दिशा जानना ही काफी होता है, भले ही आपको इसके पीछे का सटीक गणित न पता हो।

3. नंबरों को "हाँ/नहीं" में बदलना जोखिम भरा है।
यहीं पर चीजें पेचीदा हो गईं। जब उन्होंने निरंतर संख्याओं (जैसे सटीक डॉलर राशि) को स्कोरकार्ड और टैली के लिए सरल "हाँ/नहीं" स्थितियों में बदला, तो मॉडल अक्सर क्रैश हो गए। ऋण डेटासेट पर, सटीकता 0.885 से गिरकर 0.329 रह गई। यह एक जटिल पेंटिंग को केवल ब्लैक एंड व्हाइट स्टिकर का उपयोग करके वर्णित करने जैसा था; आप बहुत अधिक विवरण खो देते हैं। शोध पत्र सुझाव देता है कि कुछ प्रकार के डेटा के लिए, सटीक संख्या यह जानने से अधिक महत्वपूर्ण है कि वह "उच्च" है या "कम"।

4. दुर्घटना होने से पहले ही भविष्यवाणी करना।
इस शोध पत्र का सबसे शानदार हिस्सा यह है कि लेखकों ने यह भविष्यवाणी करने का एक तरीका खोजा कि "डायरेक्शनल रूल" कितनी अच्छी तरह काम करेगा, इससे पहले कि वे इसे बनाते। मूल गणितीय समीकरण और सामग्रियों के बीच संबंधों को देखकर, वे एक स्कोर की गणना कर सकते थे जो उन्हें बताता था, "हे, यदि आप नंबरों को हटा देते हैं और केवल दिशाओं को रखते हैं, तो आपका मॉडल मूल के लगभग 75% के प्रति वफादार रहेगा।" यह ऐसा है जैसे बिना केक बेके, केवल सामग्री की सूची देखकर यह अंदाजा लगाना कि केक का स्वाद कैसा होगा।

मनुष्य वास्तव में क्या सोचते हैं

शोधकर्ताओं ने केवल गणित नहीं देखा; उन्होंने वास्तविक लोगों—वित्त विशेषज्ञों और AI शोधकर्ताओं—को ये सरलीकृत नियम पढ़ने के लिए कहा और उनसे पूछा कि उन्हें कौन से पसंद हैं।

परिणाम दो अलग-अलग दुनियाओं की कहानी थे।

• वित्त और जोखिम विशेषज्ञ ने डायरेक्शनल रूल को पसंद किया। उन्होंने 57% समय इसे प्राथमिकता दी। उन्हें एक स्पष्ट वाक्य का विचार पसंद आया: "जब ब्याज अधिक हो और भुगतान कम हो, तो डिफ़ॉल्ट की भविष्यवाणी करें।" यह उन्हें स्वाभाविक लगा।
• AI और मशीन लर्निंग शोधकर्ता ने स्कोरकार्ड और टैली (पॉइंट-आधारित सिस्टम) को पसंद किया। उन्होंने 72% समय इन्हें चुना। उन्हें अंक जोड़ने की संरचना पसंद आई, जो उन्हें पारंपरिक स्कोरिंग सिस्टम की याद दिलाती थी।

दिलचस्प बात यह है कि लगभग किसी ने भी मूल, पूर्ण 42-सामग्री वाले समीकरण को पसंद नहीं किया। यह सभी के लिए बहुत अव्यवस्थित था। अध्ययन बताता है कि जबकि मॉडल को सरल बनाने से उसे इंसान के लिए पढ़ना आसान हो जाता है, विभिन्न पेशे अलग-अलग तरह की सरलता पसंद करते हैं।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र हमें सिखाता है कि मॉडल को "सरल" बनाना केवल उसे छोटा करने के बारे में नहीं है। यह एक ट्रेड-ऑफ (समझौता) है।

• आप अक्सर मॉडल के कमजोर हिस्सों को बिना किसी नुकसान के हटा सकते हैं।
• आप कभी-कभी सटीक नंबरों को छोड़ सकते हैं और केवल "ऊपर/नीचे" की दिशा रख सकते हैं, बिना बहुत अधिक सटीकता खोए।
• लेकिन यदि आप सब कुछ सरल "हाँ/नहीं" बॉक्स में बदल देते हैं, तो आप अच्छी भविष्यवाणियाँ करने की क्षमता खो सकते हैं, विशेष रूप से यदि डेटा जटिल है।

सबसे महत्वपूर्ण बात यह है कि लेखकों ने पाया कि एक सरल नियम को उपयोगी होने के लिए मूल जटिल मॉडल की एकदम सटीक नकल होने की आवश्यकता नहीं है। एक नियम मूल गणित के प्रति थोड़ा "अविश्वासी" (unfaithful) हो सकता है लेकिन फिर भी एक बहुत प्रभावी क्लासिफायर हो सकता है। यह एक मानचित्र की तरह है: आपको अपनी मंजिल तक पहुँचने के लिए मानचित्र पर हर एक पेड़ और चट्टान के चित्र की आवश्यकता नहीं है; आपको बस मुख्य सड़कों की आवश्यकता है।

अध्ययन निष्कर्ष निकालता है कि वित्त की विनियमित दुनिया में, हमें केवल यह मानकर नहीं बैठ जाना चाहिए कि एक मॉडल अच्छा है क्योंकि वह "व्याख्या योग्य" है। हमें यह मापना होगा कि इसे पढ़ने योग्य बनाने में हम वास्तव में क्या खो रहे हैं। कभी-कभी, नुकसान बहुत कम होता है; कभी-कभी, यह बहुत बड़ा होता है। और निर्णय को समझाने का सबसे अच्छा तरीका इस बात पर निर्भर करता है कि सुनने वाला कौन है।