Line臺灣打造一套可信任框架，來確保AI系統穩健、公平且可解釋，其購物推薦系統也是在該框架下展開，主要瞄準資料準備、資料表徵、推薦生成和效能評估4大階段。（／Line）

一套AI系統不只要能解決商業問題，還要能獲得業務團隊信任且合規。因此，Line臺灣打造一套可信任評估框架，來讓自家模型更強健且可解釋，就算是不懂技術的業務團隊，也能解讀模型。Line購物有套精密的機器學習（ML）推薦系統Brickmaster，就在這個框架下展開。

可信任含3大元素，鎖定4大推薦流程

這個「可信任」，包含了3項重要元素。Line臺灣電商資料科學家陳峻廷指出，首先是穩健性（Robustness），當購物平臺的商品，帶有誇大推銷說詞時，推薦系統要能夠偵測、剔除這些商品；又或是能辨別、找出有價值的評論，來推薦商品。

再來是公平性（Fairness），重點要移除偏差（Bias）。舉例來說，若使用者不小心點擊沒興趣的Line官方帳號內容，這樣的資料，就不能輸入推薦模型，以免推薦錯誤商品給使用者。因此，開發團隊從資料處理下手，移除這類偏差，確保推薦系統的推薦不受干擾。

第三個元素是透明性／可解釋性，指的是不論業務團隊還是利害關係人，都能了解ML模型資訊，甚至是特徵、推薦系統如何運作等。「這個元素對資料科學家和機器學習工程師來說很重要，」陳峻廷解釋，透明性／可解釋性能幫助團隊採用更好的微調方法，來降低部署模型的信任風險。

陳峻廷指出，這個可信任框架會落實到推薦系統的4個運作階段中，包括資料準備、資料表徵（Representation）、推薦內容生成，到效能評估階段。

實務解析可信任框架

首先，在資料準備階段，為確保訓練模型的資料乾淨且有效，Line團隊設置可信任資料前處理方法，來過濾原始資料，比如偵測異常資料、移除異常值等。

過濾後的資料，就成為可信任的輸入資料，進入第二階段資料表徵處理。由於Line購物推薦系統採雙塔模型，也就是兩套類神經網路，各自處理使用者特徵和商品特徵，再計算兩者嵌入向量的相似度，來從千萬級商品庫中，選出用戶感興趣的推薦商品清單。為確保使用者向量和商品向量的可信任程度，Line設置一套向量品質檢測機制，來檢查模型產生的向量是否達標。

下一階段，用模型產生推薦內容時，Line也設置了公平和透明機制，來確保模型推薦的內容，不會偏重某一族群或商品，並同步產出推薦結果解釋，來落實模型透明性。

最後則是評估，也是陳峻廷認為最重要的環節。在Line臺灣，可信任評估分為2大方向，一是技術面評估，由電商團隊負責，另一是倫理面評估，如責任和社會影響性評估，則由其他團隊負責。

從技術來看，Line還將可信任評估，細分為離線和線上兩種作法。其中，當推薦系統產生新場景時，會先啟動離線評估，來衡量是否合規，通過後再進行線上評估，沒問題才能部署上架。只要其中一類評估沒有合規，就退回檢查模型或特徵工程處理。

陳峻廷點出，正因為這些評估機制，ML工程師和資料科學家在演算法的設計階段，會多想一步，盡可能滿足公平透明、可解釋要求，在源頭先做好可信任工作。

離線評估是實戰前的演練

在兩種評估作法上，離線評估屬於事前的演練。

這個離線評估，主要檢視3類對象，包括模型、商業表現和推薦系統整體健康度。模型部分是根據模型性質，如基於準確度或排名，來設置檢驗指標，像是精確度、召回率、NDCG等，來檢測模型能力。

商業表現部分則檢視ML演算法，能否反映商業價值，如此才能說服業務團隊接受推薦系統。因此，要評估的面向有留客、新客推薦、收益，各自又有其指標，如點擊率（CTR）、客戶體驗的淨推薦值（NPS）、訂單轉換率（CVR）和商品交易總額（GMV）等。

這類商業指標很多，但通常，「我們會設定可快速驗證的指標，如CTR，來確認推薦系統是否可行，」來快速衡量ML系統是否滿足商業問題。

至於推薦系統整體健康度，則要檢視推薦系統能否長期運作。因此，檢視指標有推薦內容涵蓋範圍和多樣性，前者是指，推薦商品與全站商品的比重，比如是否只偏重熱門商品；多樣性則是指，推薦內容是否夠多元、而非偏重單一類商品，如只推薦咖啡。

實戰測驗：線上評估

「離線評估若是打怪練習等，線上評估就是實戰實打，是最重要且直接的方式，測試推薦系統是否正確。」陳峻廷進一步解釋，線上評估像是一場AB測試，包含8個步驟，第一步是設置目標，該目標要明確易懂，比如新演算法是否比上一代好。接著是設置指標，找出合適的驗證指標，如點擊率、留客率、訂單轉換率等，正式採用前，還要進行AA測試，來驗證指標上線後的衡量效度。訂妥指標後，接著要決定實驗單位，比如以使用者ID當作最小實驗單位。

下一步是預估採樣大小，可透過數據分析指標α、Power、Variance等來設定採樣大小。陳峻廷提醒，這個階段要留意最小成功指標，比如新演算法的點擊率最少要比舊方法高出2%，才能算成功。

採樣預估完成後，進入隨機分組階段，將流量隨機分配到實驗組和對照組，各50%，來觀察新舊方法表現。陳峻廷表示，這個階段要注意兩組的獨立性，否則會評估失效。

最後還有幾個步驟，包括估算時間、展開活動和結果測試。以上這8個步驟就是Line推薦模型所用的線上評估方法。

如何解決線上評估的實務挑戰

發展這套線上評估的過程中，Line團隊曾遇過不少實務挑戰。陳峻廷舉例，實驗結果差異性不顯著就是一大挑戰，有兩種可能原因，一是新方法確實不好，二是有差異但不夠顯著，可透過擴大資料集規模來觀察，或是降低指標變異數，比如替換相似但變異數較小的指標，或是進行傾向分數配對（PSM）分析。

另一個實務問題是樣本比率偏差（SRM），也就是AB測試時，若後端或API出現問題，導致組別數字差異越來越大，進而出現辛普森悖論，即分組數據和整體數據呈現相反趨勢，造成實驗失效。

還有一項挑戰是新奇效應（Novelty effect），較常發生在業務場景，比如一個新的使用者介面，剛推出時成功吸引到使用者目光，一直點擊使用，但長期下來，效果趨於平緩，甚至不如剛上線時。這情況也可能相反，比如新功能上線初期可能不受喜愛，但用戶群忠實度高、最終還是會使用，長期下來，商業指標會是上升。

LLM也能用來解釋模型

近年風生水起的大型語言模型（LLM），Line也積極用這項技術，來強化購物推薦系統的可信任程度。

第一個LLM應用場景是特徵工程，工程師對LLM下提示，要求執行字符化（Tokenization）工作。陳峻廷指出，這個作法很有效，可幫助Line更好地萃取商品規格等關鍵資訊、加速後續向量生成，甚至比原本的BERT模型方法還要好。為了驗證這些向量的品質，他們採取探測（Probing）方式，從推薦系統的雙塔模型，設計探針來取得使用者向量和商品向量，再以RankMe等指標來評估向量品質。

另一個使用LLM的地方是雙塔模型的解釋，比如將使用者特徵和商品特徵分別輸入LLM，再進行分數和解釋設定，就能得出結果，以此來驗證推薦系統。這就是Line以LLM強化可解釋性的作法。

 相關報導