في عصر تتزايد فيه أهمية الذكاء الاصطناعي في حياتنا اليومية، يبرز مفهوم الذكاء الاصطناعي القابل للتفسير (Explainable AI - XAI) كحل مبتكر في تعزيز تفاعل المستخدم مع النماذج الذكية، خاصة في التطبيقات الصحية. لدينا اليوم خبر مثير حول تطوير إطار عمل جديد يُعنى بتطبيقات الذكاء الاصطناعي على الأجهزة الطرفية الصغيرة (TinyML)، يقوم على تصميم يتوجه نحو المستخدم ويجمع بين الذكاء الاصطناعي القابل للتفسير وتقنيات نماذج اللغة الكبيرة (Large Language Models - LLM).

تتيح تقنية الذكاء الاصطناعي في الأطراف (Edge AI) تنفيذ نماذج الذكاء الاصطناعي على الأجهزة المحلية، ما يعزز من الاستجابة الفورية في سياقات تتسم بأهمية عالية، مثل الرعاية الصحية. لكن، كيف يمكن أن نضمن أن هذه النماذج تفهم وتستخدم بفاعلية من قبل المتخصصين والمرضى؟ هنا يأتي دور الذكاء الاصطناعي القابل للتفسير.

يقوم الإطار المطور بتحويل اختيار طرق الذكاء الاصطناعي القابل للتفسير لتطبيقات TinyML إلى مشكلة تصميم متعددة الأهداف تتمحور حول الإنسان، تأخذ بعين الاعتبار تفضيلات أصحاب المصلحة، جودة الشرح، وتكاليف التنفيذ. يعمل هذا النظام على دمج واجهة تصميم مدعومة بنموذج لغة كبيرة، تعمل على الربط بين تفضيلات أصحاب المصلحة وطرق XAI候选.

هذا الإطار لا يتيح فقط الاختيار الأفضل، بل أيضًا يقارن بين العوامل مثل موثوقية الشرح واستقراره وتمويله المتوقع، مما يعكس كيفية تأثير هذه العوامل على جودة الشرح وإمكانية التنفيذ الفعلية. وقد تم عرض فعالية هذا الإطار من خلال دراسة حالة تتعلق بتصنيف آفات الجلد، حيث أظهر كيفية مقارنة طرق XAI والتركيز على التبادلات الكفاءة في النتائج.

تأخذ هذه الدراسة خطوة إلى الأمام في إدخال تقنية الذكاء الاصطناعي في التطبيقات الطبية، مما يؤكد على أهمية التفاعل الإنساني ويعزز من فهم المستخدم، مما قد يحدث ثورة في كيفية التعامل مع البيانات الصحية. فهل نستعد لحقبة جديدة من الذكاء الاصطناعي القابل للتفسير؟