В.Д. Пасканов1

1 ФГБОУ ВО «Финансовый университет при Правительстве Российской Федерации» (Москва, Россия)
1 vyacheslav.paskanov@yandex.ru

Постановка проблемы. Неинтерпретируемые алгоритмы демонстрируют высокую эффективность в задачах предсказания спроса и динамического ценообразования. Однако их сложная нелинейная структура создает проблему «черного ящика», что ограничивает доверие бизнес-пользователей к принимаемым алгоритмическим решениям и затрудняет аудит ценовых стратегий. Классические XAI-методы (SHAP, LIME) предоставляют строгие математические оценки, но требуют высокой технической квалификации для интерпретации.

Цель. Разработать и показать программную реализацию архитектурного комплекса, объединяющего предиктивную модель CatBoost, алгоритм вычисления векторов Шепли (SHAP) и большую языковую модель (LLM) для автоматической генерации «человекочитаемых» аналитических отчетов о факторах ценообразования.

Результаты. Спроектирован конвейер данных, включающий в себя оригинальную методику формирования целевой переменной (таргета) на основе агрегации будущей выручки по периодам. Разработана многоуровневая архитектура интерпретации, исключающая нейросетевые галлюцинации за счет использования LLM как вербализатора детерминированных XAI-метрик. Реализованы локальный, глобальный и батчевый (пакетный) режимы генерации отчетов. С использованием экспериментального тестирования показано, что предложенная модель CatBoost достигает значительной точности (R2=0,89, MAPE=11,2%), а генерация текстовых объяснений занимает менее 1,5 с на запрос. Отмечено, что батчевый режим позволяет обрабатывать массивы из 3 000 SKU менее чем за 1 мин, предоставляя высокоточные агрегированные инсайты.

Практическая значимость. Интеграция LLM-слоя поверх математического аппарата SHAP радикально снижает когнитивную нагрузку на аналитиков. Разработанный комплекс может быть внедрен в корпоративные ERP- и CRM-системы ритейл-компаний в качестве надежного инструмента поддержки принятия решений при управлении ассортиментной и ценовой политикой. Он также позволяет более точно интерпретировать результаты моделирования за счет базы знаний LLM.

Пасканов В.Д. Применение больших языковых моделей для интерпретации результатов машинного обучения при динамическом ценообразовании // Нелинейный мир. 2026. Т. 24. № 2. С. 69–79. DOI: https://doi.org/10.18127/j20700970-202602-08

1. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions. Advances in neural information processing systems. 2017. V. 30. P. 4765–4774.
2. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. CatBoost: unbiased boosting with categorical features. Advances in neural information processing systems. 2018. V. 31. P. 6638–6648.
3. Zhao H., Chen H., Yang F., Liu N., Deng H., Cai H., Wang S., Yin D., Du M. Explainability for Large Language Models:
   A Survey. ACM Transactions on Intelligent Systems and Technology. 2024. V. 15. № 2. P. 1–38.
4. Krause S., Stolzenburg F. From data to commonsense reasoning: The use of large language models for explainable ai. arXiv preprint arXiv:2407.03778. 2024.
5. Ribeiro M.T., Singh S., Guestrin C. Why should i trust you? Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016. P. 1135–1144.
6. Kim J., Lee H., Park S. Design and Evaluation Methods for LLMBased Explainable AI (XAI). International Journal of Applied Machine Learning. 2025. V. 5. № 1. P. 12–29.
7. Singh A., Kumar P., Patel R. et al. LLMs for Explainable AI: A Comprehensive Survey. arXiv preprint arXiv:2504.00125. 2024.
8. Safonov A. Neural network approach to demand estimation and dynamic pricing in retail. arXiv preprint arXiv:2412.00920. 2024.
9. Xiong Z., Wang Y., Chen L. et al. A Hybrid Deep Learning Framework for Dynamic Pricing: Integrating XGBoost and LSTM. Science Excel Transactions. 2025. V. 12. P. 104–118.
10. Liu J., Smith R. Real-Time Dynamic Pricing Using Machine Learning: Integrating Customer Sentiment and Predictive Models. The Science and Information Organization. 2024. V. 16. № 9. P. 88–102.
11. Slack D., Hilgard S., Jia E., Singh S., Lakkaraju H. Reliable post hoc explanations: Modeling uncertainty in explainability. Advances in neural information processing systems. 2021. V. 34. P. 9391–9404.
12. Gianfagna L., Zimuel E. Xai meets llms: A survey of the relation between explainable ai and large language models. arXiv preprint arXiv:2407.15248. 2024.