في عالم الذكاء الاصطناعي (Artificial Intelligence)، تبرز أهمية الشفافية كأحد القضايا المحورية، ولكن للأسف، تتجاهل العديد من أبحاث الشفافية المفاهيم الأساسية التي يمكن أن تعزز تجارب المستخدمين.

تسلط هذه الورقة الضوء على دور تقدير عدم اليقين (Uncertainty Quantification) في سياق الشروحات المضادة للحقائق (Counterfactual Explanations)، وهي تقنية تحتاج إلى المزيد من الاهتمام في المجتمع العلمي. من خلال استخدام تقدير عدم اليقين، يمكننا تقديم إطار موحد لفهم كيفية عمل الشروحات المضادة للحقائق، حيث يتم التعبير عن الخصائص الأساسية المضادة للحقائق من منظور عدم اليقين.

قدمت الدراسة نموذجين مختلفين للشارح، يعتمد أحدهما فقط على تقديرات عدم اليقين بينما يجمع الآخر بين هذه التقديرات والمسافة المقاسة في فضاء الميزات. ومن خلال التجارب الشاملة، أظهرت النتائج أداءً تنافسياً عالياً لموديلاتنا مقارنة بالأساليب الحديثة والمتطورة، رغم التصميم البسيط للغاية لهذا الإطار.

بشكل عام، تدعو الورقة إلى دمج مفاهيم الذكاء الاصطناعي الأساسية في أبحاث الشفافية، مما يعد بإنشاء نماذج تنبؤية أكثر موثوقية وفهماً. نرى أن جعل الشروحات في الذكاء الاصطناعي واعية لعدم اليقين يمثل الخطوة الأولى نحو تحقيق هذا الهدف، مما يساعد على بناء ثقة أكبر في أنظمة الذكاء الاصطناعي المعتمدة.