تفسیر مدل های پیش بینی خرابی دستگاه های خودپرداز بانکی با استفاده از روش های SHAP و LIME

در این پژوهش مدلی مبتنی بر یادگیری عمیق برای پیش بینی خرابی دستگاه های خودپرداز بانکی ارائه شده است و با بهره گیری از روش های توضیح پذیری SHAP و LIME نقش هر ویژگی در تصمیم مدل تحلیل شده است. ابتدا داده های سری زمانی عملکردی، محیطی و نگهداری دستگاه ها جمع آوری و پس از پیش پردازش در مدل CNN– LSTM آموزش داده شد. سپس با استفاده از روش های توضیح پذیری، سهم هر ویژگی در خروجی مدل بررسی گردید. نتایج نشان داد که متغیرهایی مانند تعداد خطاهای عملیاتی، حجم تراکنش ها، میانگین زمان پاسخ، دمای داخلی دستگاه و فاصله زمانی از آخرین سرویس بیشترین تاثیر را بر افزایش احتمال خرابی دارند. تحلیل SHAP اهمیت جهانی ویژگی ها را مشخص کرد و LIME توضیح داد که هر پیش بینی مدل بر چه اساسی انجام شده است. این یافته ها می تواند به بهینه سازی نگهداری پیشگیرانه، افزایش قابلیت اطمینان دستگاه ها و بهبود مدیریت عملیاتی در شبکه بانکی کمک کند.