في عالم الذكاء الاصطناعي، تعتبر النماذج الغامضة تحديًا كبيرًا في فهم كيفية اتخاذ القرارات. ومن هذا المنطلق، قدم الباحثون طريقة جديدة تُعرف بـ Taylor exPansion-Originated aDaptive Attribution، المعروفة اختصارًا بـ TaylorPODA. تعتمد هذه الطريقة على إطار توسيع تايلور، مما يتيح تحسين الإسنادات المتأخرة للنماذج التي لا يمكن تفسيرها بسهولة.

تستند TaylorPODA إلى مجموعة من المسلمات التي تُعزز متطلبات توضيحية واضحة للإسنادات. ومن خلال تحليل الطرق الموجودة، استنتج الباحثون وجود توتر أساسي بين الإسناد المنهجي والتكيف مع الأهداف المحددة من قبل المستخدمين. وللتغلب على هذه التحديات، قدمت TaylorPODA آلية توزيع قابلة للتحكم لأثر تفاعلات تايلور، مما يمكن النتائج من التكيف مع الأهداف دون تجاوز المسلمات المقترحة.

على الرغم من تطورها من منظور توسيع تايلور، إلا أن TaylorPODA تتبنى أيضًا تفسير هارساني، مما يوسع نطاق الإسناد ليشمل النماذج غير القابلة للتفاضل. تشير التحليلات النظرية إلى أن الطريقة تحقق جميع المسلمات المقترحة مع خاصية التكيف الإضافية.

أظهرت النتائج التجريبية عبر عدة مجموعات بيانات، بما في ذلك نماذج قابلة وغير قابلة للتفاضل، أن TaylorPODA تحقق توافقًا محسّنًا باستمرار مع الأهداف المعينة من قبل المستخدمين بينما تحافظ على شفافية الشروحات الناتجة.

في نهاية المطاف، تمثل تلك الطريقة خطوة مهمة نحو بناء نظم ذكاء اصطناعي أكثر موثوقية، مما يسهل نشر نماذج مهام متقدمة وقوية وعادةً ما تكون غامضة.