如今，评分最常见的问题是，并不是每个人都能快速解释模型产生的结果。一个复杂的算法检查了数十个动力学因素，几乎没有人能立即看到和理解它的全部内容。本文描述了一种用自然语言解释影响决策的企业优势和弱点的算法。
为什么银行需要它？他们需要这样做，以提高企业交流的速度和文化，并与客户进行有效对话。银行不得不在事后仓促地实施新的解决方案。这使他们失去了市场份额，并被年轻而勇敢的金融科技公司接管。在普通人看来，评分系统是一个黑匣子，这个事实确实降低了人们对他们的信任。一旦被拒绝，大多数客户都会去支持服务部门，向他们解释银行到底不喜欢什么，以及为什么贷款条件如此苛刻。
如果银行决定披露用于得分的因素空间，欺诈者就会立即获得一种工具来操纵评分模型中最重要的指标。所有这一切都表明，评分模型必须教导直接与客户沟通，同时满足安全要求。
NLP管道方案在打分中的应用
NLP管道是像Siri或Alexa这样最强大的聊天机器人所使用的方案。该算法可分为几个关键阶段。
第1阶段
在第一阶段，语音识别和将声音翻译成符号、单词和句子。这一阶段没有进行书面发言。在数学模型中，基于神经网络的深度学习是目前最常用的数学模型。
第二阶段
然后，通过词干处理和柠檬化程序，将文本文档转换成一种更方便的机器可读的形式。在这个阶段，系统切断后缀和结尾，使语言美丽，但没有任何语义负担。因此，文本尽可能接近机器可读的形式.
人们认为，这一阶段在很大程度上取决于一种语言的语法结构的复杂性。然而，这只是部分正确；现代处理器甚至能够与高度复杂的语言一起工作，并从用它们编写的文本中提取事实，尽管它们的语法非常复杂。对匈牙利语或冰岛语文本的分析将比对英语文本的类似分析长几毫秒。然而，缺乏以复杂语言分析文本的图书馆无疑是一个严重的障碍。
第三阶段
下一个阶段是使用实现形式语法理论的算法将文本转换成表格，如单词包、词到表等。在这一阶段，文本被转移到数据库中，只剩下语义结构，而不是完整的语法结构。对文本进行了本体论分析，将其转化为一系列的形式结构，如客体、主体、属性和方法等，这些都是修改的特征。
第4阶段
最后，确定了文本中事实的语境和语境意义：这是一个有趣的阶段，取决于语言和特定文本的语境依赖性。因此，法律和其他形式的文本比虚构的作品更容易分析。因此，在这个阶段，文本最终被转换成一个表格，然后输入到评分模型中。
接下来，评分模型处理输入处接收的数据，进行测试、培训和再培训。但是，重要的是，一旦收到分数并根据分数做出决定，最有趣的部分就开始了：上面描述的所有阶段都开始以相反的顺序重复：
- 根据上下文，选择合适的字典。
- 格，性别，解密，并制定了一个正确的语法结构的句子。
- 必要时合成自然语音，对机器学习方法的结果进行解释。
因此，上面描述的算法是用自然语言自动解释企业或个人的弱点或强项对某些决策产生影响的算法。不仅要被拒绝，而且要找出导致拒绝的主要原因，这要好得多。此外，这可能暴露出客户数据中的一个错误，该错误可以迅速消除，从而提高客户忠诚度和销售额。
此外，这种技术的使用意味着员工不必试图解释评分模型是如何工作的，以及为什么它正确工作。
欺诈保护
问题仍然没有解决：如何消除暴露因素空间的风险以及解释因素间依赖关系的复杂性？
在这里，现代得分系统的高度移动性带来了帮助。实时学习技术可以很容易地改变那些影响最终决定的因素的作用。这使得欺诈者侵入该系统毫无意义。当他们建立一家符合标准的公司或借款人时，他们所了解的重要性、外部环境和描述它的评分模式都会改变，所以他们的所有努力都将付诸东流。
更难解释的是非线性依赖关系，以及一个因素的作用是如何变化的，取决于它周围的其他因素。到目前为止，文本文件只能说明这种关系的存在，而不能用自然语言解释它们。然而，技术在不断改进。
