أصبح الذكاء الاصطناعي (AI) جزءًا أساسيًا من حياتنا اليومية، حيث تتخذ أنظمته قرارات حاسمة، مثل تقدير الحالة الصحية للمرضى أو تقييم سلامة المباني. ومع تزايد الاعتماد على دقة هذه الأنظمة، كان النموذج المعتمد لتصديق موثوقية الذكاء الاصطناعي يرتكز بشكل رئيسي على كيفية دقته وقدرته على التنبؤ.

لكن هل يُعَدّ هذا كافيًا؟ تشير النتائج الجديدة إلى أن الشهادات المبنية على التنبؤ، مثل الدقة والمعايرة، قد لا تكون كافية لتحديد موثوقية النماذج. تظهر الأبحاث أن نموذجًا موثوقًا وآخر ضعيفًا قد يحملان نفس الشهادات التنبؤية، لكنهما قد يختلفان كثيرًا في مدى وضوح وشفافية عملية اتخاذ القرار.

لتصحيح هذا الخلل، يُقَدم مفهوم "غلاف الكفاءة" كإطار عمل تشغيلية يجمع بين شهادات التنبؤ والشروحات في معيار واحد قابل للتطبيق. هذا التكامل يسمح بكشف حالات الفشل التي قد تغفلها الشهادات المبنية على التنبؤ فقط، ويدعو إلى أهمية الوصول إلى آلية اتخاذ القرار الخاصة بالنموذج بالإضافة إلى النتائج المتوقعة.

من خلال استخدام هذا الإطار الجديد على مجموعات بيانات وأنواع نماذج متعددة، تكشف الأبحاث عن حالات فشل لم يكن من الممكن اكتشافها عبر الشهادات التنبؤية وحدها، مما يقدم رؤية جديدة حول كيفية تصديق أنظمة الذكاء الاصطناعي بشكل أكثر موثوقية وفعالية.