TL;DR本文提出了 HR-DSS 方法，它使用可解释性 AI 解决员工流失等人力资源问题，并用 “What-if-analysis” 观察个体员工流失的原因和对策，利用最佳模型优化业务决策来实现员工保留。
Abstract
Skilled employees are usually seen as the most important pillar of an
organization. Despite this, most organizations face high attrition and turnover
rates. While several machine learning models have been developed for analyzing
attrition and its causal factors, the interpretations of
该研究旨在开发一种可解释的人工智能（XAI）框架，以实现在车削过程中对工具磨损进行可理解的预测。通过使用随机森林算法作为监督式机器学习（ML）分类器，以加速度、声学、温度和主轴转速等输入特征进行二元分类训练，该分类器可用于预测切割过程后刀具的状态，以表示切割刀具是否可用或失效。在训练过程中，使用了 Shapley 准则来解释训练后的 ML 分类器的预测。具体而言，识别了决策和分类中每个输入特征的重要性，以解释 ML 分类器预测的推理。在对所有测试数据集实施 Shapley 准则后，发现刀具温度是确定可用和失效切割刀具分类的最重要特征。因此，该研究展示了 XAI 在工具磨损预测中为加工操作者提供诊断和理解复杂的 ML 分类器的能力。