АВТОМАТИЗАЦІЯ ГЕНЕРАЦІЇ ПОЯСНЕНЬ ДЛЯ СИСТЕМ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ У ФІНАНСОВІЙ СФЕРІ

Стаття присвячена актуальній проблемі автоматизації генерації пояснень для автоматизованих систем підтримки прийняття рішень (СППР) у фінансовій сфері. Впровадження машинного навчання у банківський сектор вимагає забезпечення прозорості автоматизованих рішень відповідно до регуляторних вимог. Запропоновано новий метод GPE (Greedy-Prune-Explain - жадібне відсікання з поясненням), який автоматично генерує мінімальні правила типу «ЯКЩО-ТО» для пояснення рішень моделей на основі дерев рішень. На відміну від існуючих модельно-агностичних методів (LIME, SHAP, Anchors), GPE використовує структуру дерева рішень для оптимізації процесу генерації пояснень. Метод працює у три послідовні фази: вилучення повного шляху рішення від кореня до листа, ітеративне відсікання надлишкових умов із збереженням заданого порогу точності та формування фінального пояснення з метриками якості (точність, покриття, складність). Доведено теоретичні гарантії алгоритму: часова складність O(d²·n) та гарантована точність пояснень. Експериментальна оцінка проведена на трьох реальних фінансових наборах даних кредитного скорингу загальним обсягом понад 630 000 записів. Результати демонструють прискорення у 34–66 разів порівняно з методом LIME при збереженні точності понад 98% та зменшенні складності пояснень до 1–2 умов. Статистична значущість результатів підтверджена t-тестом (p < 0,001) та розміром ефекту за Коеном (d > 2,0). Розроблено програмний фреймворк з відкритим кодом та REST API для інтеграції в існуючі бізнес-процеси фінансових установ. Практична значимість полягає у можливості повної автоматизації процесу надання пояснень клієнтам відповідно до вимог Загального регламенту захисту даних (GDPR) та Європейського акта про штучний інтелект (EU AI Act).