본 논문은 의료, 보안, 금융, 로봇 공학과 같은 고위험 실세계 영역에 머신러닝 모델과 자율 에이전트가 점점 더 많이 배치됨에 따라 투명하고 신뢰할 수 있는 설명의 필요성이 중요해짐을 강조합니다. AI 의사 결정의 엔드투엔드 투명성을 보장하기 위해 정확할 뿐만 아니라 완전히 설명 가능하고 사람이 조정 가능한 모델이 필요합니다. 이 논문에서는 graded logic을 사용하여 의사 결정 문제를 위한 설명 가능한 AI 모델을 자동으로 훈련하기 위한 새로운 프레임워크인 BACON을 소개합니다. BACON은 높은 예측 정확도를 달성하는 동시에 완전한 구조적 투명성과 정밀한 논리 기반 상징적 설명을 제공하여 효과적인 인간-AI 협업과 전문가 주도의 개선을 가능하게 합니다. Boolean 근사, Iris 꽃 분류, 주택 구매 결정 및 유방암 진단 등 다양한 시나리오를 통해 BACON을 평가했습니다. 각 경우에 BACON은 높은 성능의 모델을 제공하는 동시에 컴팩트하고 사람이 검증할 수 있는 의사 결정 논리를 생성합니다. 이러한 결과는 BACON이 명확하고 신뢰할 수 있는 설명 가능한 AI를 제공하기 위한 실용적이고 원칙적인 접근 방식으로서의 잠재력을 보여줍니다.
