تعد عملية التحسين الآلي جزءاً أساسياً من العديد من العمليات الصناعية، ولكن يظل هناك فجوة ثقة بين المهندسين الذين يصممون هذه الخوارزميات والمشغلين الذين يجب عليهم تطبيق توصياتها. في هذا السياق، تقدم طرق الذكاء الاصطناعي القابل للتفسير مثل SHAP (SHapley Additive exPlanations) تحولًا كبيرًا في إمكانية فهم التنبؤات الناتجة عن التعلم الآلي، مما يمكن أن ينعكس بشكل إيجابي على مخرجات التحسين.

نستعرض في هذه المقالة طريقة متكاملة تستند إلى نظرية الدوال الضمنية (Implicit Function Theorem - IFT) لتحليل الحساسية، بالإضافة إلى استخدام تقنية SHAP لتوليد تفسيرات Narrative موجهة للمشغلين. تمكننا هذه الطريقة من حساب الحساسية الدقيقة للمعلمات بشكل فعال، مما يتيح لنا تطبيق حساب GradientSHAP بشكل أسرع بكثير.

عند تطبيق هذه الطريقة على مشكلة تحسين تحكم في طاحونة طحن عالية الضغط (High Pressure Grinding Roll - HPGR) تحتوي على 22 ميزة، حققنا تعيينات مطابقة تقارب 0.99 مع KernelSHAP، مع زيادة في السرعة تجاوزت أكثر من 40 مرة، مما يسهل إنشاء تفسيرات بلغة طبيعية في الوقت الحقيقي.

تم التحقق من صحة النتائج في سيناريوهات صناعية، حيث تم الحصول على ملاحظات قيمة من خبراء المجال حول جودة التفسيرات الناتجة. تقدم هذه الطريقة الجديدة إمكانيات واعدة لتحسين الثقة والشفافية في عمليات التحكم، مما يدعم عملية اتخاذ القرار لدى المشغلين.