في عصر يعتمد بشكل متزايد على الذكاء الاصطناعي (AI) وتقنيات التعلم الآلي (ML)، يعد نقص الشفافية أحد أكبر العقبات التي تواجه ثقة المشغلين في العمليات الشبكية. العديد من تقنيات الذكاء الاصطناعي القابل للتفسير (XAI) الحالية لا تستطيع تلبية احتياجات المستخدمين غير المتخصصين مما يؤدي إلى إنتاج مخرجات تقنية يصعب ترجمتها إلى رؤى عملية.

لتجاوز هذه المشكلة، قدمت ورقة بحثية جديدة إطار عمل مبتكر يهدف إلى تعزيز الشفافية عن طريق استخدام نموذج لغوي ضخم (LLM) متوسط الحجم. يشتمل هذا الإطار على تحسينات تتجاوز استخدام القيم المؤثرة التقليدية لأسلوب SHAP (SHapley Additive exPlanations) البسيط، حيث يعتمد على تعليقات متبادلة بين الميزات لتوليد تفسيرات بلغة طبيعية تُفهم بسهولة من قبل البشر.

لتأكيد فعالية هذا الإطار، أُجريت دراسة تجريبية على حالة عملية تتعلق بتقدير جودة نقل البيانات (QoT) بمشاركة مثمنين بشريين. وأظهرت التقييمات المستقلة من المختصين توافقًا مرتفعًا بينهم.

توضح النتائج أن الأسلوب المطور يُحسن من فائدة وشمولية التفسيرات بنسبة 12.2% و6.2% على التوالي مقارنةً بأسلوب تقليدي يعتمد فقط على قيم تأثير SHAP، محققًا دقة تصل إلى 97.5%.

هذا التطور يعد بمثابة خطوة مهمة نحو جعل الذكاء الاصطناعي أكثر شفافية وفهمًا، مما يعزز الثقة بين المشغلين والمستخدمين في التكنولوجيا الحديثة.
ما رأيكم في هذا التطور؟ شاركونا في التعليقات.