面向可信金融AI的持久且可对话的多方法可解释性

金融机构日益需要持久的、经多方法交叉验证的、并能以对话方式供人类决策者访问的AI解释。我们提出一个面向金融情感分析、以人为中心的可解释AI架构，包含三项贡献。首先，我们将XAI产物——LIME特征归因、基于遮挡的词重要性得分和显著性热图——视为分布式S3兼容存储中带有结构化元数据和自然语言摘要的持久、可检索对象，从而支持对解释历史的语义检索以及系统故障后的自动索引重建。其次，我们实现多方法解释三角验证，由检索增强生成（RAG）助手对应用于同一预测的多种XAI方法的结果进行比较和综合，让用户能够通过自然语言对话评估解释的稳健性。第三，我们通过对依据完整性、幻觉性陈述和方法归因行为的自动化检查来评估所生成解释的忠实度。我们在一个使用FinBERT预测的EXTRA-BRAIN金融情感分析流水线上演示该架构，评估结果显示，与朴素提示相比，受约束提示将幻觉率降低36%，方法归因引用增加73%。我们讨论了对受监管金融环境中可信、以人为中心的AI服务的启示。