في عصر يعتمد بشكل متزايد على الذكاء الاصطناعي (AI) في صناعة التنبؤات، أصبح فهم النماذج التي تعمل على تحليل السلاسل الزمنية أمراً بالغ الأهمية. غالبًا ما تمتلك الطرق الحالية في مجال الذكاء الاصطناعي القابل للتفسير (XAI) قيودًا، حيث تستند بشكل غير صحيح إلى الافتراض بأن الخصائص الزمنية مستقلة. هذا تجاهل لطبيعة الاعتمادية الزمنية يمكن أن يؤدي إلى تفسيرات غير دقيقة تنتهك البنية التسلسلية والسببية للبيانات.

لتجاوز هذه التحديات، تم الكشف عن تقنية جديدة تُدعى KARMA، التي تسعى إلى تحسين تفسير نماذج التنبؤ بالسلاسل الزمنية عن طريق بناء نموذج مضاف يعتمد على مفهوم ماركوف (Markov) يمكنه التقاط الاعتمادات الزمنية التي تعلمها النموذج الأصلي.

تتعلق هذه التقنية بثلاثة جوانب رئيسية: أولاً، تحديد الحد الأدنى من طول تاريخ البيانات (K) الذي يكفي للتنبؤ بدقة. ثانيًا، تقدير أفضل نواة انتقال من الدرجة K تستند إلى مساحة التاريخ المفترضة. وأخيرًا، توضيح نظام تسلسلي من خمسة مستويات في التفسير العالمي من نواة الانتقال ماركوف.

تم إدراك فعالية KARMA من خلال تجارب على بيانات حقيقية مثل بيانات جودة الهواء في بكين (PM 2.5)، بالإضافة إلى بيانات اصطناعية معروفة بهياكل سببية دقيقة، حيث أثبتت التقنية أنها تتفوق على الأساليب التقليدية مثل TimeSHAP في تحديد الاعتمادات الزمنية بدقة أكبر. تتمثل ثمرة هذه الأبحاث في تعزيز فهمنا للبيانات والتحسينات الكبيرة المحتملة في نماذج الذكاء الاصطناعي المستخدمة في مجالات متعددة.