연구진은 설명 가능 인공지능(XAI) 방법이 정확도와 설명 가능성 간의 균형을 맞추기 어렵다는 기존 믿음을 뒤집었습니다. 라쇼몬 설명 패러다임을 도입하여 모델의 정확도를 저해하지 않으면서 성능을 향상시키는 다양한 설명을 생성합니다. RashomonLLM은 설명과 예측을 반복적으로 조정하여 자연어 설명을 생성하는 에이전트 워크플로우로, 다양한 실제 데이터셋에서 기존 방식보다 정확도와 설명 품질 모두에서 뛰어난 성능을 보였습니다.
라쇼몬 설명 패러다임은 여러 개의 신뢰성 있는 설명을 생성하여 예측을 돕고, 설명의 충실도가 모델 성능을 제한한다는 것을 증명합니다. RashomonLLM은 고객 이탈 분류, 임상 생존 회귀, 산업 클릭률 예측 등 다양한 분야에서 기존 XAI 방식보다 우수한 성능을 보였습니다.
본 연구는 기업 성과를 향상시키고 소비자 신뢰를 구축하는 데 기여하며, 설명 가능 인공지능 분야의 새로운 가능성을 제시합니다.