Bayesian Guardrails: Đo Lường Độ Không Chắc Chắn Trước Khi Tự Động Hóa Quyết Định AI

Phần lớn các hệ thống trí tuệ nhân tạo (AI) đang vận hành hiện nay được tối ưu hóa để đưa ra một câu trả lời. Một mô hình phân loại xác định khách hàng có rủi ro cao. Một mô hình dự báo ước tính nhu cầu. Một tác tử phân tích (analytics agent) có thể đề xuất việc tái phân bổ ngân sách tiếp thị. Kết quả thường xuất hiện dưới dạng một con số hoặc một danh mục, và đôi khi ngay lập tức trở thành một hành động.

Cách thể hiện này có thể khiến mô hình trông có vẻ chắc chắn hơn thực tế. Một dự báo tăng trưởng 8% trông có vẻ chính xác, ngay cả khi kết quả thực tế có thể dao động từ mức giảm sút đến mức tăng lớn hơn nhiều. Một khách hàng có rủi ro cao có thể chỉ vừa vượt qua một ngưỡng được đặt ra một cách tùy ý. Một chiến dịch có vẻ không hiệu quả vẫn có thể đang chờ đợi các chuyển đổi bị trì hoãn.

Ngay khi một dự đoán kích hoạt một hành động tự động, sự không chắc chắn tiềm ẩn sẽ trở thành rủi ro vận hành. Các phương pháp Bayesian, mặt khác, ánh xạ sự không chắc chắn thông qua các phân phối xác suất (probability distributions) thay vì một giá trị ước tính duy nhất.

Nhưng một khoảng tin cậy rộng hơn trên bảng điều khiển (dashboard) là chưa đủ. Hệ thống nên sử dụng sự không chắc chắn này để quyết định khi nào nó có thể tự hành động, khi nào cần sự xem xét của con người, và khi nào nên từ chối đưa ra quyết định.

Tự động hóa làm thay đổi chi phí của sự không chắc chắn

Sự không chắc chắn tồn tại trong mọi hệ thống phân tích, dù được đo lường hay bị bỏ qua.

Khi một nhà phân tích con người xem xét một bảng điều khiển, họ có thể dừng lại và xem xét kỹ hơn dữ liệu trước khi hành động. Họ nhận thấy một giá trị bất thường và kiểm tra xem dữ liệu có đầy đủ hay không. Họ có thể so sánh nó với các mô hình lịch sử và lấy bối cảnh từ một nhóm khác.

Tự động hóa loại bỏ nhiều điểm dừng này. Một hệ thống AI có thể đánh giá hàng nghìn trường hợp và hành động trong vài giây. Tốc độ này hữu ích nếu mô hình đáng tin cậy. Nhưng nếu nó tự tin một cách sai lầm, nó sẽ nhân lên các lỗi. Khung quản lý rủi ro AI của NIST (NIST AI Risk Management Framework) coi rủi ro AI là theo ngữ cảnh và khuyến nghị các tổ chức nắm bắt và đo lường rủi ro để chúng có thể kiểm soát được trong suốt vòng đời hệ thống.

Điều này có nghĩa là rủi ro của cùng một dự đoán có thể khác nhau. Một đề xuất hiển thị cho một nhà phân tích có thể có ít tác động. Đề xuất tương tự có thể có tác động cao nếu nó trực tiếp thay đổi giá cả, hàng tồn kho, tín dụng, chi tiêu tiếp thị hoặc kế hoạch nhân sự. Độ chính xác một mình là chưa đủ. Sự không chắc chắn còn lại phải đủ thấp để hệ thống có thể chịu trách nhiệm thực hiện hành động được đề xuất.

Ước tính điểm che giấu thông tin quan trọng cho quyết định

Hãy xem xét một tình huống tổng hợp dựa trên các mô hình thường gặp trong phân tích tiếp thị đa kênh.

Một công ty sử dụng mô hình AI để đề xuất các điều chỉnh hàng ngày cho ngân sách chiến dịch. Mô hình ước tính rằng việc tăng ngân sách cho một chiến dịch cụ thể sẽ tăng chuyển đổi lên 7%.

Với một ước tính điểm, quyết định ban đầu có vẻ đơn giản. Ngân sách được tăng lên.

Tuy nhiên, mô hình có thể gán xác suất đáng kể cho một số kết quả. Có thể nó cho thấy một cơ hội nhỏ để cải thiện lớn và đồng thời một cơ hội vừa phải cho sự thay đổi nhỏ. Tương tự, có thể có khả năng thực sự rằng lợi nhuận sẽ giảm. Vì vậy, dự báo trung bình có thể vẫn tích cực, mặc dù rủi ro thua lỗ là quá cao để tự động tăng ngân sách.

Ước tính điểm trả lời chính xác một câu hỏi: Dự đoán trung tâm của mô hình là gì? Điều này có nghĩa là phạm vi kết quả hợp lý và xác suất của một kết quả tiêu cực không được hiển thị. Nó cũng không cho thấy liệu mô hình có đủ dữ liệu liên quan hay không hoặc công ty sẽ mất gì nếu khuyến nghị sai. Đây chính là những câu hỏi quan trọng khi một dự đoán ngay lập tức kích hoạt một hành động.

Sơ đồ minh họa sự khác biệt giữa ước tính điểm và phân phối dự đoán

Mô hình Bayesian đặt một câu hỏi khác

Một mô hình Bayesian kết hợp một phân phối tiên nghiệm (prior) với dữ liệu quan sát được để tạo ra một phân phối hậu nghiệm (posterior distribution) trên các giá trị mà mô hình ước tính.

Đối với các giá trị trong tương lai, phân phối dự đoán hậu nghiệm (posterior predictive distribution) thường là đầu ra quan trọng nhất. Nó kết hợp sự không chắc chắn về các tham số của mô hình với sự biến thiên còn lại trong các quan sát trong tương lai. Do đó, một khoảng dự đoán hậu nghiệm mô tả phạm vi các giá trị mà mô hình thực sự mong đợi, chứ không chỉ là sự không chắc chắn của một tham số.

Trong nghiên cứu về sự không chắc chắn của chính sách kinh tế bằng cách sử dụng mô hình phân cấp Bayesian (Bayesian hierarchical modeling) và Markov Chain Monte Carlo, mục tiêu không phải là tạo ra một ước tính chính sách duy nhất. Mô hình định lượng sự không chắc chắn và cho thấy các dự đoán thay đổi như thế nào trong các điều kiện kinh tế khác nhau.

Nguyên tắc tương tự áp dụng khi các công ty tự động hóa quyết định bằng AI. Các mô hình nhu cầu nên cung cấp khoảng dự đoán hậu nghiệm cho nhu cầu trong tương lai. Hệ thống phát hiện khách hàng rời bỏ (churn) nên cho thấy liệu các ước tính xác suất có ổn định trên các phân khúc khách hàng ảnh hưởng đến quyết định hay không. Các tác tử phân tích nên tiết lộ mức độ mạnh mẽ của bằng chứng cho mỗi khuyến nghị.

Sự không chắc chắn Aleatoric và Epistemic

Trong thực tế, các nhóm thường chia sự không chắc chắn của dự đoán thành hai loại: aleatoric và epistemic.

Sự không chắc chắn aleatoric phản ánh sự biến thiên trong chính dữ liệu hoặc trong quá trình tạo ra nó. Hành vi của khách hàng dao động, cảm biến tạo ra nhiễu, và các sự kiện chuyển đổi đến với độ trễ. Ngay cả những người dùng tương tự cũng có thể phản ứng khác nhau với cùng một quảng cáo.

Việc lấy thêm mẫu từ cùng một nguồn thường không loại bỏ được sự biến thiên này. Do đó, dự đoán nên bao gồm chúng và quyết định phải tính đến chúng.

Sự không chắc chắn epistemic đại diện cho kiến thức hạn chế về mô hình, các tham số của nó, hoặc các trường hợp nó dự định đánh giá. Một mô hình có thể có ít bằng chứng cho một phân khúc khách hàng hoặc thị trường mới. Điều này cũng áp dụng cho một sản phẩm hoặc một chế độ kinh tế cụ thể.

Khung Kendall & Gal có ảnh hưởng sử dụng sự phân biệt này trong học sâu Bayesian (Bayesian deep learning). Trong thực tế, hai thành phần không phải lúc nào cũng có thể tách rời rõ ràng. Sự không chắc chắn epistemic có thể giảm khi có nhiều bằng chứng liên quan hơn nếu loại mô hình và các giả định phù hợp với quá trình được mô hình hóa.

Sự phân biệt này vẫn hữu ích vì nó giúp các nhóm thực hiện các bước tiếp theo. Sự không chắc chắn aleatoric cao có nghĩa là tình huống đang xem xét rất khó dự đoán. Sự không chắc chắn epistemic cao cho thấy sự thiếu kiến thức: hệ thống có thể cần dữ liệu từ chính loại trường hợp này, thử nghiệm kỹ thuật trước khi hành động, hoặc một mô hình phù hợp hơn.

Sự tự tin không tự động là một rào chắn

Nhiều hệ thống AI đã đưa ra điểm số tự tin. Các giá trị này không nên được coi là xác suất trừ khi chúng được hiệu chuẩn (calibrated).

Một bộ phân loại có thể báo cáo độ tự tin 90% mà không thực sự đúng 90% thời gian trong các trường hợp tương đương. Nghiên cứu về hiệu chuẩn của các mạng nơ-ron hiện đại đã chỉ ra rằng ngay cả các mạng rất chính xác cũng có thể được hiệu chuẩn kém.

Ngay cả các mô hình Bayesian cũng không an toàn về bản chất. Một phân phối hậu nghiệm phụ thuộc vào prior, cấu trúc mô hình, likelihood, dữ liệu và quy trình suy luận. Các giả định không chính xác có thể dẫn đến các ước tính sai lệch về độ không chắc chắn. Một khoảng dự đoán hậu nghiệm hẹp có thể phát sinh từ một mô hình quá hạn chế và không phải từ dữ liệu thực sự hỗ trợ phạm vi hẹp này.

Một rào chắn bắt đầu bằng việc ước tính độ không chắc chắn và sau đó kiểm tra hiệu chuẩn và chất lượng mô hình. Tổ chức cũng phải xác định hành động nào được phép ở mức độ không chắc chắn nào. Nếu không có các quy tắc hành động như vậy, độ không chắc chắn chỉ là một con số trên bảng điều khiển không ảnh hưởng đến hành vi của hệ thống.

Từ phân phối hậu nghiệm đến một hướng dẫn cho các quyết định

Các rào chắn Bayesian chuyển độ không chắc chắn thành các quy tắc cho việc quyết định nào có thể được tự động hóa. Hệ thống không chỉ nên hỏi liệu kết quả dự kiến có tích cực hay không. Nó cũng phải cân nhắc các kết quả có thể xảy ra và chi phí của một quyết định sai lầm.

Hướng dẫn sử dụng Stan về Phân tích Quyết định Bayesian (Stan User’s Guide to Bayesian Decision Analysis) mô tả hành động tối ưu Bayesian là hành động tối đa hóa tiện ích kỳ vọng hoặc tương đương, tối thiểu hóa tổn thất kỳ vọng dưới phân phối dự đoán hậu nghiệm. Điều này quan trọng vì kết quả có khả năng xảy ra nhất không phải lúc nào cũng là lý do tốt nhất cho một hành động.

Ngưỡng quyết định phải phản ánh hậu quả

Giả sử một mô hình dự đoán rằng việc tăng ngân sách chiến dịch có khả năng cải thiện chuyển đổi. Nếu điều chỉnh được đề xuất nhỏ, có thể đảo ngược và có giới hạn trên, tổ chức có thể chấp nhận nhiều độ không chắc chắn hơn. Mặt khác, nếu khuyến nghị di chuyển một ngân sách lớn trong một đợt ra mắt quan trọng, cùng độ không chắc chắn đó sẽ kích hoạt sự xem xét của con người trước khi thực hiện.

Một rào chắn có thể xác định ba vùng quyết định:

• Tự động hóa nếu lợi ích kỳ vọng là tích cực, khoảng dự đoán hậu nghiệm nằm trong độ rộng cho phép và xác suất của một khoản lỗ không thể chấp nhận được vẫn dưới ngưỡng đã được phê duyệt.
• Chuyển tiếp để xem xét nếu dự báo tiếp tục trông tích cực nhưng độ không chắc chắn cao, đầu vào được thể hiện kém trong dữ liệu lịch sử, hoặc quyết định sẽ di chuyển một ngân sách lớn.
• Dừng lại nếu bằng chứng không đủ, rủi ro giảm giá trên mức chấp nhận được, yêu cầu nằm ngoài trường hợp sử dụng được hỗ trợ hoặc dữ liệu bắt buộc không đầy đủ.

Các ngưỡng nên được suy ra từ tổn thất kinh doanh và khả năng đảo ngược, không phải từ một điểm số tự tin duy nhất được sử dụng giống nhau ở mọi nơi.

Rủi ro đuôi có thể quan trọng hơn mức trung bình

Kỳ vọng có thể che giấu các kết quả tiêu cực nghiêm trọng. Một chiến lược có thể có lợi nhuận dự kiến trung bình cao nhất và đồng thời có xác suất không nhỏ của một khoản lỗ lớn. Một chiến lược khác có thể mang lại lợi nhuận kỳ vọng thấp hơn một chút nhưng có phạm vi giảm giá hẹp hơn nhiều.

Một hệ thống tự động hóa chỉ tối ưu hóa cho giá trị trung bình có thể sẽ chọn chiến lược đầu tiên. Một rào chắn Bayesian có thể kết hợp cả xác suất và chi phí của các sự kiện đuôi tiêu cực. Điều này đặc biệt quan trọng đối với các quyết định liên quan đến rủi ro tài chính, hậu quả pháp lý, tác hại tiềm ẩn cho khách hàng hoặc gián đoạn hoạt động. Vấn đề không phải là loại bỏ rủi ro. Điều quan trọng là làm cho các rủi ro mà tổ chức có ý thức chấp nhận trở nên hữu hình.

Một kiến trúc rào chắn Bayesian thực tế

Hoạt động của rào chắn sản xuất nên nằm giữa dự đoán và thực thi.

Tầng dự đoán (Predictive Layer)

Tầng dự đoán tạo ra một phân phối dự đoán hậu nghiệm chứ không chỉ là một ước tính điểm. Tùy thuộc vào trường hợp sử dụng, nó có thể đến từ mô hình phân cấp Bayesian, lập trình xác suất (probabilistic programming), hồi quy xác suất, các xấp xỉ Bayesian cho mạng nơ-ron hoặc từ các tập hợp (ensembles) liên kết với một mô hình xác suất rõ ràng. Phương pháp cụ thể ít quan trọng hơn. Điều quan trọng là độ không chắc chắn dự đoán của nó đã được xác nhận cho quyết định tương ứng.

Tầng quyết định và chính sách (Decision and Policy Layers)

Tầng quyết định chuyển đổi phân phối dự đoán thành các chỉ số mà doanh nghiệp có thể làm việc. Nó có thể tính toán xác suất của một kết quả tiêu cực, tổn thất kỳ vọng, xác suất vượt quá một ngưỡng quan trọng hoặc quyết định thay đổi như thế nào trong các giả định khác nhau.

Tầng chính sách so sánh các đại lượng này với các giới hạn đã được phê duyệt. Nó quyết định liệu hệ thống có được phép tự động hóa, phải yêu cầu kiểm toán hay nên dừng lại. Mô hình không nên tự xác định khả năng chịu rủi ro của chính nó. Ngưỡng này là trách nhiệm của tổ chức và phải phản ánh tác hại tiềm ẩn của một hành động, liệu nó có thể đảo ngược hay không và các yêu cầu phê duyệt.

Tầng thực thi và quan sát (Execution and Observability Layers)

Tầng thực thi vẫn tách biệt với mô hình dự đoán. Nó chỉ thực hiện một hành động sau khi kiểm tra chính sách thành công và nhận được sự phê duyệt cần thiết. Tầng quan sát ghi lại dự đoán, khoảng dự đoán hậu nghiệm, ngưỡng đã chọn, chỉ số quyết định, kết quả chính sách, sự can thiệp của con người và đầu ra cuối cùng. Khả năng truy vết này giúp các nhóm xác định xem lỗi là do mô hình, ước tính độ không chắc chắn, dữ liệu, chính sách hay quá trình thực thi.

Sơ đồ minh họa kiến trúc rào chắn Bayesian với các tầng dự đoán, quyết định, chính sách, thực thi và quan sát

Một ví dụ về tự động hóa chiến dịch

Hãy xem xét một hệ thống AI đề xuất chuyển ngân sách giữa các chiến dịch. Mô hình dự đoán rằng việc chuyển 15% ngân sách từ Chiến dịch A sang Chiến dịch B sẽ tăng tổng số chuyển đổi. Các giá trị sau chỉ mang tính minh họa.

Mức tăng kỳ vọng là 6%, nhưng khoảng dự đoán hậu nghiệm 90% dao động từ giảm 4% đến tăng 17%. Ngoài ra, mô hình gán một xác suất không nhỏ cho mức tăng âm (âm lift). Một hệ thống thông thường có thể hành động vì giá trị kỳ vọng là tích cực.

Một rào chắn Bayesian sẽ so sánh xác suất giảm giá với dung sai đã được phê duyệt, xác minh rằng các cửa sổ phân bổ (attribution windows) gần nhất đã hoàn tất và kiểm tra rằng có đủ lịch sử liên quan cho Chiến dịch B. Khuyến nghị có thể vẫn hữu ích ngay cả khi không an toàn để tự động hóa. Hệ thống có thể đề xuất một điều chỉnh nhỏ hơn và có thể đảo ngược hoặc chuyển tiếp quyết định để xem xét. Tương tự, nó có thể chờ đợi cho đến khi có thêm dữ liệu chuyển đổi.

Khi kết quả được quan sát, phân phối hậu nghiệm có thể được cập nhật. Nếu dữ liệu tiếp theo hỗ trợ khuyến nghị và độ không chắc chắn giảm, hệ thống có thể tự động hóa một hành động tương tự. Do đó, rào chắn thích ứng với bằng chứng thay vì dựa vào một ngưỡng cứng nhắc.

Sự từ chối hành động là một năng lực sản xuất

Nhiều hệ thống AI được khen thưởng vì trả lời mọi yêu cầu. Trong các tự động hóa có tác động cao, có thể an toàn hơn khi không hành động so với hành động dựa trên bằng chứng yếu.

Dự đoán có chọn lọc (Selective prediction) cho phép một mô hình từ chối nếu độ chắc chắn của nó không đủ. Kết quả là, các dự đoán được chấp nhận hoạt động tốt hơn. Nghiên cứu về phân loại có chọn lọc đã hiệu chuẩn cũng cho thấy lý do tại sao độ không chắc chắn được sử dụng cho việc lựa chọn này phải được đánh giá.

Một rào chắn Bayesian có thể từ chối nếu khoảng dự đoán hậu nghiệm quá rộng hoặc xác suất của một kết quả có hại vượt quá dung sai. Nó cũng có thể từ chối nếu một sự thay đổi trong prior thay đổi đáng kể kết quả, dữ liệu bắt buộc không đầy đủ, đầu vào nằm ngoài các điều kiện được phản ánh trong dữ liệu hoặc các đặc tả mô hình hợp lý dẫn đến các khuyến nghị xung đột. Sự từ chối không nên được coi là một lỗi hệ thống. Nó là một kết quả có ý thức ngăn chặn bằng chứng không đủ kích hoạt hành động.

Giám sát độ không chắc chắn sau khi triển khai

Một rào chắn Bayesian không thể chỉ được xác nhận trước khi ra mắt. Các điều kiện kinh tế và hành vi khách hàng có thể thay đổi sau khi ra mắt. Sản phẩm mới xuất hiện. Đường ống dữ liệu được sửa đổi. Một ước tính độ không chắc chắn hữu ích trước đây do đó có thể trở nên quá tự tin.

So sánh khoảng dự đoán với kết quả thực tế

Một chẩn đoán hiệu chuẩn hữu ích là liệu khoảng 90% kết quả thực hiện có nằm trong khoảng dự đoán hậu nghiệm danh nghĩa 90% trên dữ liệu đánh giá đại diện hay không. Sự thiếu bao phủ (undercoverage) dai dẳng gợi ý rằng phân phối dự đoán quá hẹp hoặc bị đặc tả sai. Sự bao phủ quá mức (overcoverage) kéo dài có thể có nghĩa là các khoảng quá rộng để hệ thống giao dịch có ý nghĩa. Độ bao phủ nên được đánh giá cùng với độ rộng khoảng, tỷ lệ từ chối và tổn thất quyết định. Các nhóm cũng nên kiểm tra hiệu suất theo phân khúc, đặc biệt là cho các nhóm rủi ro cao. Một mô hình có thể đạt được mục tiêu bao phủ tổng thể và vẫn thất bại trong một phân nhóm rủi ro cao.

Sử dụng kiểm tra dự đoán hậu nghiệm (Posterior Predictive Checks)

Kiểm tra dự đoán hậu nghiệm tạo ra dữ liệu sao chép từ mô hình đã được trang bị và so sánh các đặc điểm mà quyết định dựa vào với dữ liệu quan sát được. Điều này cho phép xem liệu mô hình có tái tạo các mẫu mà quyết định phụ thuộc vào hay không. Một mô hình chiến dịch có thể đạt được tỷ lệ chuyển đổi trung bình tốt và vẫn không phản ánh sự phân bổ chậm trễ hoặc biến động cực đoan. Nó cũng có thể bỏ lỡ sự khác biệt khu vực. Nếu chính các mẫu này xác định rủi ro giảm giá, mô hình chưa sẵn sàng để tự động hóa, ngay cả khi nó giải thích dữ liệu tổng hợp tốt. Kiểm tra dự đoán hậu nghiệm là chẩn đoán, không phải là bằng chứng rằng một mô hình là đúng.

Giám sát rào chắn, không chỉ mô hình

Các hướng dẫn ra quyết định cũng phải được xem xét thường xuyên. Một ngưỡng hoạt động trong một thử nghiệm nhỏ có thể trở nên không an toàn khi các hành động tự động di chuyển nhiều giá trị hơn. Tỷ lệ từ chối cao có thể cho thấy dữ liệu không đủ hoặc một mô hình có quá nhiều độ không chắc chắn để biện minh cho việc tự động hóa. Tỷ lệ từ chối thấp có thể cho thấy chính sách cho phép quá nhiều hành động. Đánh giá rào chắn như một hệ thống ra quyết định chứ không chỉ là một mô hình thống kê.

Nơi các rào chắn Bayesian có thể thất bại

Các phương pháp Bayesian cung cấp một cơ sở toán học nhất quán cho việc ra quyết định trong điều kiện không chắc chắn, nhưng chúng không loại bỏ rủi ro mô hình.

Khi bằng chứng hạn chế, các prior được chọn kém có thể làm sai lệch kết quả. Một likelihood được đặc tả không chính xác có thể làm cho các phân phối dự đoán trông quá tự tin mặc dù chúng không thực tế. Chẩn đoán Markov Chain Monte Carlo có thể chỉ ra lấy mẫu thành công ngay cả khi một biến hoặc mối quan hệ quan trọng bị thiếu trong mô hình.

Chi phí tính toán cũng có thể hạn chế suy luận Bayesian đầy đủ trong các hệ thống có độ trễ thấp. Các phương pháp xấp xỉ có thể giúp ích, nhưng các ước tính độ không chắc chắn của chúng phải được xác nhận riêng. Sự không chắc chắn của Bayesian không tự động bảo vệ chống lại các đầu vào đối nghịch, sự thay đổi phân phối hoặc chất lượng dữ liệu kém.

Dự đoán tuân thủ (Conformal Prediction) như một sự bổ sung

Trong điều kiện trao đổi được (exchangeability) hoặc một biến thể phù hợp của nó, các phương pháp tiêu chuẩn của dự đoán tuân thủ cho tập hợp hoặc khoảng dự đoán có thể cung cấp các đảm bảo bao phủ biên (marginal coverage guarantees) cho các mẫu hữu hạn. Tuy nhiên, đảm bảo biên này không hứa hẹn độ bao phủ chính xác cho từng trường hợp hoặc phân nhóm.

Trong tiếp thị và các hệ thống phụ thuộc thời gian khác, các thay đổi nền tảng và tính thời vụ có thể vi phạm các giả định trao đổi đơn giản. Chuyển đổi bị trì hoãn và sự thay đổi phân phối cũng có thể làm điều này.

Các phương pháp Bayesian và tuân thủ trả lời các câu hỏi khác nhau. Phân tích Bayesian ánh xạ độ không chắc chắn bằng một mô hình xác suất và do đó làm cho nó có thể sử dụng cho phân tích quyết định. Dự đoán tuân thủ sử dụng các lỗi quan sát được để hiệu chuẩn các tập hợp hoặc khoảng dự đoán theo các giả định cụ thể.

Trong thực tế, một rào chắn hiếm khi chỉ dựa vào một kỹ thuật thống kê duy nhất. Nó kết hợp ước tính độ không chắc chắn, hiệu chuẩn, các quy tắc quyết định rõ ràng và các bài kiểm tra kỹ thuật. Ngoài ra, hệ thống cần sự kiểm tra của con người cũng như giám sát liên tục.

Rào chắn thực sự là ranh giới quyết