በመጨረሻው ጽሑፌ፣ መሠረታዊ እውነት መስርተናል፡ ተጠቃሚዎች AIን እንዲቀበሉ እና እንዲተማመኑበት፣ ማመን አለባቸው። ስለ እምነት ሁለገብ ግንባታ፣ ስለ AI ችሎታ፣ በጎነት፣ ታማኝነት እና መተንበይነት ግንዛቤዎች ላይ የተገነባ ስለመሆኑ ተነጋግረናል። ነገር ግን አንድ AI በዝምታው፣ አልጎሪዝም ጥበቡ ተጠቃሚውን ግራ የሚያጋባ፣ የሚያበሳጭ ወይም የሚጎዳ ውሳኔ ሲያደርግ ምን ይከሰታል? የሞርጌጅ ማመልከቻ ተከልክሏል፣ የሚወዱት ዘፈን በድንገት ከአጫዋች ዝርዝር ውስጥ ቀርቷል፣ እና አንድ ሰው ሳያየው በፊት ብቁ የሆነ የሥራ ልምድ ተቀባይነት አላገኘም። በነዚህ አፍታዎች፣ ችሎታ እና መተንበይ ተሰብረዋል፣ እና በጎነት አለም የራቀ እንደሆነ ይሰማዋል። ንግግራችን አሁን ለምን ከመታመን ወደ ግልፅነት መቀየር አለበት። ሊገለጽ የሚችል AI (ኤኤአይአይ) መስክ፣ የኤአይአይ ውጤቶችን ለሰው ልጆች ለመረዳት የሚያስችሉ ዘዴዎችን በማዘጋጀት ላይ ያተኮረ ሲሆን ይህንንም ለመፍታት ብቅ ብሏል፣ ነገር ግን ብዙውን ጊዜ ለመረጃ ሳይንቲስቶች እንደ ቴክኒካል ፈተና ሆኖ ተቀርጿል። በ AI ላይ ለሚተማመኑ ምርቶች ወሳኝ የንድፍ ፈተና እንደሆነ እከራከራለሁ. በአልጎሪዝም ውሳኔ አሰጣጥ እና በሰዎች ግንዛቤ መካከል ያለውን ክፍተት ማጣጣም እንደ UX ባለሙያዎች የእኛ ስራ ነው። ይህ ጽሑፍ እንዴት ምርምር ማድረግ እና ለማብራራት ዲዛይን ማድረግ እንደሚቻል ላይ ተግባራዊ፣ ተግባራዊ መመሪያ ይሰጣል። ውስብስብ የ XAI ፅንሰ-ሀሳቦችን ወደ ተጨባጭ የንድፍ ቅጦች በመተርጎም ዛሬ መጠቀም ሊጀምሩ ከሚችሉት ከ buzzwords እና ወደ መሳለቂያዎች እንሄዳለን። De-mystifying XAI: Core Concepts ለ UX Practitioners XAI የተጠቃሚውን ጥያቄ ስለመመለስ ነው፡ “ለምን?” ይህን ማስታወቂያ ለምን አሳየኝ? ይህ ፊልም ለምን ለእኔ ይመከራል? ጥያቄዬ ለምን ተከለከለ? AI ስራውን በሂሳብ ችግር ላይ እንደሚያሳይ አስቡት። ያለሱ, መልስ ብቻ አለዎት, እና በእምነት ላይ እንዲወስዱት ይገደዳሉ. ደረጃዎቹን በማሳየት ላይ ግንዛቤን እና እምነትን ይገነባሉ. እንዲሁም ስራዎ በእጥፍ እንዲጣራ እና በሚነካው ሰዎች እንዲረጋገጥ ይፈቅዳሉ። የባህሪ አስፈላጊነት እና ተቃራኒዎች በ AI ላይ ምን እየተፈጠረ እንዳለ ለማብራራት ወይም ለማብራራት ልንጠቀምባቸው የምንችላቸው በርካታ ቴክኒኮች አሉ። ዘዴዎች የውሳኔውን ዛፍ አጠቃላይ አመክንዮ ከማቅረብ ጀምሮ የውጤት የተፈጥሮ ቋንቋ ማጠቃለያዎችን እስከማመንጨት የሚደርሱ ሲሆኑ፣ ሁለቱ በጣም ተግባራዊ እና ተፅዕኖ ፈጣሪ የመረጃ አይነቶች የ UX ባለሙያዎች ወደ አንድ ልምድ ማስተዋወቅ የሚችሉት የባህሪ ጠቀሜታ (ምስል 1) እና ተቃራኒ እውነታዎች ናቸው። እነዚህ ብዙውን ጊዜ ለተጠቃሚዎች ለመረዳት በጣም ቀላል እና ለዲዛይነሮች ተግባራዊ ሊሆኑ የሚችሉ ናቸው።
የባህሪ አስፈላጊነት ይህ የማብራሪያ ዘዴ “AI ከግምት ውስጥ የሚገቡት በጣም አስፈላጊ ነገሮች ምንድናቸው?” የሚል መልስ ይሰጣል። በውጤቱ ላይ ከፍተኛ ተጽዕኖ ያሳደሩትን ዋናዎቹ 2-3 ተለዋዋጮችን መለየት ነው. እሱ ዋና ርዕስ እንጂ አጠቃላይ ታሪኩ አይደለም። ምሳሌ፡ አንድ ደንበኛ ይንኮታኮታል (አገልግሎታቸውን ይሰርዛሉ) የሚለውን የሚተነብይ AI አስቡት። የባህሪ አስፈላጊነት "ባለፈው ወር የተደረጉ የድጋፍ ጥሪዎች" እና "የቅርብ ጊዜ የዋጋ ጭማሪዎች" ደንበኛው የመበታተን እድል አለመኖሩን ለመወሰን ሁለቱ በጣም አስፈላጊ ነገሮች እንደነበሩ ሊያሳይ ይችላል።
ተቃራኒ ነገሮች ይህ ኃይለኛ ዘዴ “የተለየ ውጤት ለማግኘት ምን መለወጥ አለብኝ?” በማለት ይመልሳል። ይህ ወሳኝ ነው ምክንያቱም ለተጠቃሚዎች ወኪል ስሜት ይሰጣል። የሚያበሳጭ “አይ”ን ወደ ተግባራዊ “ገና” ይለውጠዋል። ምሳሌ፡ AI የሚጠቀም የብድር ማመልከቻ ስርዓት አስቡት። ተጠቃሚ ብድር ተከልክሏል። “መተግበሪያ ተከልክሏል” ከማየት ይልቅ፣ “የክሬዲት ነጥብህ 50 ነጥብ ከፍ ያለ ቢሆን፣ ወይም ከዕዳ-ወደ-ገቢ ጥምርታህ 10% ያነሰ ቢሆን፣ ብድርህ ይፀድቅ ነበር” የሚል ተቃራኒ ማብራሪያም ይጋራል። ይህ ለሣራ ወደፊት ብድር ለማግኘት የምትወስዳቸውን ግልጽ፣ ተግባራዊ እርምጃዎችን ይሰጣታል።
ማብራሪያውን ለማሻሻል የሞዴል ውሂብን መጠቀም ምንም እንኳን ቴክኒካዊ ዝርዝሮች ብዙውን ጊዜ በዳታ ሳይንቲስቶች የሚስተናገዱ ቢሆንም እንደ LIME (አካባቢያዊ ሊተረጎም የሚችል ሞዴል-አግኖስቲክ ማብራሪያ) ያሉ መሳሪያዎች ሞዴሉን በአገር ውስጥ በመገመት የግለሰቦችን ትንበያ የሚያብራራ እና SHAP (SHApley Additive ExPlanations) እንደ የጨዋታ ንድፈ ሃሳብ ሞዴሎችን በመጠቀም የጨዋታ ንድፈ ሃሳቦችን ከየትኛውም የማሽን መማሪያ ሞዴል ለማውጣት እንደተለመደው ማወቁ ጠቃሚ ነው። እነዚህ ቤተ-መጻሕፍት በአንድ የተወሰነ ውጤት ላይ የትኞቹ ግብዓቶች በጣም ተጽዕኖ እንደነበራቸው ለማሳየት የ AI ውሳኔን ለመስበር ይረዳሉ። በትክክል ከተሰራ፣ የ AI መሳሪያ ውሳኔን መሰረት ያደረገ መረጃ ኃይለኛ ታሪክ ለመንገር ጥቅም ላይ ሊውል ይችላል። የባህሪ አስፈላጊነትን እና ተቃርኖዎችን እንጓዝ እና ከውሳኔው በስተጀርባ ያለው የመረጃ ሳይንስ የተጠቃሚውን ልምድ ለማሳደግ እንዴት ጥቅም ላይ ሊውል እንደሚችል እናሳይ። አሁን እንሂድየአካባቢያዊ ማብራሪያዎች (ለምሳሌ፣ LIME) መረጃ በመታገዝ የሽፋን ባህሪ አስፈላጊነት፡- ይህ አቀራረብ፣ “ለምን AI ይህን የተለየ ምክር ሰጠኝ?” በማለት ይመልሳል። ሞዴሉ እንዴት እንደሚሰራ ከአጠቃላይ ማብራሪያ ይልቅ ለአንድ የተወሰነ ምሳሌ ያተኮረ ምክንያት ይሰጣል። ግላዊ እና አውድ ነው። ምሳሌ፡ እንደ Spotify ያለ በ AI የተጎላበተ የሙዚቃ ምክር ስርዓት አስብ። የአገር ውስጥ ማብራሪያ፣ “ስርአቱ ይህን ልዩ የአዴሌ ዘፈን ለምን አሁን ሰጠህ?” በማለት ይመልሳል። ማብራሪያው ምናልባት፡- “በቅርብ ጊዜ የሴት ድምጻውያንን ሌሎች ስሜታዊ የሆኑ ሙዚቃዎችን እና ዘፈኖችን ስላዳመጥክ ነው።
በመጨረሻም፣ በዋጋ ላይ የተመሰረቱ ማብራሪያዎችን (ለምሳሌ የሻፕሌይ ተጨማሪ ማብራሪያ (SHAP) መረጃን ለአንድ ውሳኔ ማብራሪያ ማካተትን እንሸፍናለን፡ ይህ በይበልጥ የተዛባ የባህሪ አስፈላጊነት ስሪት ነው፣ይህም መልሶ፣“እያንዳንዱ ነገር ውሳኔውን እንዴት በአንድ ወይም በሌላ መንገድ ገፋው?” ጉዳዩን በዓይነ ሕሊና ለማየት ይረዳል፣ እና ተጽዕኖው አወንታዊ ወይም አሉታዊ ነበር። ምሳሌ፡ እስቲ አስቡት አንድ ባንክ የብድር ማመልከቻ ማጽደቁን ለመወሰን የ AI ሞዴል ይጠቀማል።
የባህሪ አስፈላጊነት፡ የአምሳያው ውፅዓት የአመልካቹን የክሬዲት ነጥብ፣ ገቢ እና የገቢ-ወደ-ገቢ ጥምርታ በውሳኔው ውስጥ በጣም አስፈላጊዎቹ ነገሮች መሆናቸውን ሊያሳይ ይችላል። ይህ አስፈላጊ የሆነውን ነገር ይመልሳል. የባህሪ አስፈላጊነት ከዋጋ-ተኮር ማብራሪያዎች (SHAP) ጋር፡ የ SHAP እሴቶች በአምሳያው አካላት ላይ በመመስረት የባህሪ አስፈላጊነትን የበለጠ ይወስዳሉ።
ለተፈቀደ ብድር፣ SHAP ከፍተኛ የክሬዲት ነጥብ ውሳኔውን ወደ ማፅደቅ (አዎንታዊ ተጽእኖ) እንደገፋው ሊያሳይ ይችላል፣ ከአማካይ ከዕዳ-ወደ-ገቢ ሬሾ ትንሽ ከፍ ያለ ግን ትንሽ ጎትቶታል (አሉታዊ ተጽዕኖ)፣ ነገር ግን ብድሩን ለመካድ በቂ አይደለም። ለተከለከለ ብድር፣ SHAP ዝቅተኛ ገቢ እና ከፍተኛ ቁጥር ያለው የቅርብ ጊዜ የብድር ጥያቄዎች ውሳኔውን ወደ ውድቅ እንዳደረጉት ሊገልጽ ይችላል፣ ምንም እንኳን የብድር ውጤቱ ጥሩ ቢሆንም።
ይህ የብድር ባለሥልጣኑ ከታሰበው በላይ ለአመልካቹ እንዲያብራራ ይረዳዋል፣ እያንዳንዱ ምክንያት ለመጨረሻው “አዎ” ወይም “አይሆንም” ውሳኔ እንዴት አስተዋፅዖ እንዳበረከተ። ጥሩ ማብራሪያዎችን የመስጠት ችሎታ ብዙውን ጊዜ የሚጀምረው በእድገት ዑደት ውስጥ በጣም ቀደም ብሎ መሆኑን መገንዘብ በጣም አስፈላጊ ነው. የውሂብ ሳይንቲስቶች እና መሐንዲሶች ሆን ብለው ሞዴሎችን እና የውሂብ ቧንቧዎችን በማዋቀር በተፈጥሯቸው ማብራራትን በሚደግፉ መንገዶች በማዋቀር፣ እንደ ኋላ ለማሰብ ከመሞከር ይልቅ ወሳኝ ሚና ይጫወታሉ። የምርምር እና የንድፍ ቡድኖች የተጠቃሚን የመረዳት ፍላጎት በተመለከተ ከዳታ ሳይንቲስቶች እና መሐንዲሶች ጋር ቀደምት ውይይቶችን በማስጀመር፣ ለማብራራት የሚረዱ መለኪያዎችን ለማዘጋጀት አስተዋፅዖ በማድረግ እና ሁለቱም ትክክለኛ እና ለተጠቃሚ ምቹ መሆናቸውን ለማረጋገጥ በትብብር ማብራሪያዎችን በመፃፍ ይህንን ሊያበረታቱ ይችላሉ። XAI እና ሥነ ምግባራዊ AI፡ የማሸግ አድሎአዊነት እና ኃላፊነት እምነትን ከመገንባት ባለፈ፣ ኤክስኤአይ የ AI* ጥልቅ የስነ-ምግባር እንድምታዎችን ለመፍታት ወሳኝ ሚና ይጫወታል፣በተለይም አልጎሪዝምን በተመለከተ። የማብራሪያ ዘዴዎች፣ ለምሳሌ የSHAP እሴቶችን መተንተን፣ ምንም እንኳን እነዚህ ነገሮች እንደ ቀጥተኛ ግብአት ጥቅም ላይ ባይውሉም የአምሳያው ውሳኔዎች እንደ ዘር፣ ጾታ ወይም ማህበራዊ ኢኮኖሚያዊ ደረጃ ባሉ ሚስጥራዊነት ባላቸው ባህሪያት ያልተመጣጣኝ ተጽዕኖ እንደሚኖራቸው ያሳያል። ለምሳሌ፣ የብድር ማጽደቂያ ሞዴል ከተወሰነ የስነ-ሕዝብ አመልካቾች አሉታዊ የ SHAP እሴቶችን በቋሚነት የሚመድብ ከሆነ፣ ይህ ምርመራ የሚያስፈልገው አድልዎ ያሳያል፣ ይህም ቡድኖች እንዲታዩ እና መሰል ፍትሃዊ ያልሆኑ ውጤቶችን እንዲቀንሱ ያደርጋል። የ XAI ሃይል “የመረዳት ችሎታ” ከሚለው አቅም ጋር አብሮ ይመጣል። “አረንጓዴ ማጠብ” ሸማቾችን ስለአካባቢያዊ ልምምዶች እንደሚያሳስታቸው ሁሉ፣ ማብራርያዎች ችግር ያለበት አልጎሪዝም ባህሪን ወይም የተፈጥሮ አድሎአዊ አመለካከቶችን ለማድበስበስ ሲዘጋጁ የማብራራት ችሎታ ሊፈጠር ይችላል። ይህ ወሳኝ ተጽዕኖ የሚፈጥሩ ሁኔታዎችን ወይም ስልታዊ በሆነ መንገድ ከነሱ የበለጠ ገለልተኛ ወይም ፍትሃዊ እንዲመስሉ የሚያደርጉ ማብራሪያዎች ከመጠን በላይ ቀለል ያሉ ማብራሪያዎችን ያሳያል። በትክክል ግልጽ እና ሊረጋገጥ የሚችል ማብራሪያዎችን የመንደፍ የ UX ባለሙያዎችን ሥነ ምግባራዊ ኃላፊነት አጽንዖት ይሰጣል። የዩኤክስ ባለሙያዎች ከመረጃ ሳይንቲስቶች እና የሥነ-ምግባር ባለሙያዎች ጋር በመተባበር የውሳኔውን ምክንያት እና እንዲሁም የስር AI ሞዴል ውስንነቶችን እና እምቅ አድልዎዎችን በማስተላለፍ ረገድ ወሳኝ ሀላፊነት አለባቸው። ይህ ስለ AI ትክክለኝነት ተጨባጭ የተጠቃሚ ተስፋዎችን ማቀናበር፣ ሞዴሉ አስተማማኝ ያልሆነበትን ቦታ መለየት እና ተጠቃሚዎች ፍትሃዊ ያልሆነ ወይም የተሳሳቱ ውጤቶችን ሲገነዘቡ ግልፅ ሰርጦችን መስጠትን ያካትታል። እነዚህን በንቃት መፍታትየሥነ ምግባር መለኪያዎች በእውነቱ ፍትሃዊ እና እምነት የሚጣልባቸው የ AI ስርዓቶችን እንድንገነባ ያስችሉናል። ከስልቶች እስከ መሳለቂያዎች፡ ተግባራዊ የ XAI ንድፍ ንድፎች ጽንሰ-ሐሳቦችን ማወቅ አንድ ነገር ነው; እነሱን መንደፍ ሌላ ነው። እነዚህን የ XAI ዘዴዎች ወደ ሊታወቅ የሚችል የንድፍ ቅጦች እንዴት መተርጎም እንደምንችል እነሆ። ስርዓተ ጥለት 1፡ የ"ምክንያቱም" መግለጫ (ለባህሪ አስፈላጊነት) ይህ በጣም ቀላሉ እና ብዙውን ጊዜ ውጤታማ ንድፍ ነው። የኤአይአይ ድርጊት ዋና ምክንያትን የሚያጎላ ቀጥተኛ፣ ግልጽ-ቋንቋ መግለጫ ነው።
Heuristic: ቀጥተኛ እና አጭር ሁን. በነጠላ በጣም ተፅዕኖ ምክንያት ይምሩ። በማንኛውም ዋጋ ከቃላቶች መራቅ።
ምሳሌ፡ የሙዚቃ ዥረት አገልግሎት በዓይነ ሕሊናህ ይታይህ። የ"ሳምንታዊ ግኝት" አጫዋች ዝርዝርን ብቻ ከማቅረብ ይልቅ ትንሽ የማይክሮ ኮፒ መስመር ታክላለህ።የዘፈን ምክር፡ "Velvet Morning" ምክንያቱም "The Fuzz" እና ሌሎች ሳይኬደሊክ ቋጥኞችን ስለሚሰሙ።
ሥርዓተ ጥለት 2፡ የ"ምን-ቢሆን" መስተጋብራዊ (ለተቃራኒ ነገሮች) ተቃራኒዎች በተፈጥሯቸው ስለ ማብቃት ናቸው። እነሱን ለመወከል ምርጡ መንገድ ለተጠቃሚዎች እድሎችን እራሳቸው እንዲያስሱ በይነተገናኝ መሳሪያዎችን መስጠት ነው። ይህ ለገንዘብ፣ ለጤና ወይም ለሌላ ግብ-ተኮር መተግበሪያዎች ፍጹም ነው።
ሂዩሪስቲክ፡ ማብራርያዎችን በይነተገናኝ እና ሀይል ሰጪ ያድርጉ። ተጠቃሚዎች የመረጣቸውን ምክንያት እና ውጤት እንዲያዩ ያድርጉ።
ምሳሌ፡ የብድር ማመልከቻ በይነገጽ። ውድቅ ከተደረገ በኋላ፣ ከሞተ መጨረሻ ይልቅ፣ ተጠቃሚው የተለያዩ ሁኔታዎች (ምን ከሆነ) እንዴት እንደሚጫወቱ ለመወሰን መሳሪያ ያገኛል (ስእል 1 ይመልከቱ)።
ስርዓተ ጥለት 3፡ የድምቀት ሪል (ለአካባቢው ማብራሪያ) አንድ AI በተጠቃሚው ይዘት ላይ አንድን ድርጊት ሲፈጽም (እንደ ሰነድ ማጠቃለል ወይም በፎቶዎች ውስጥ ያሉ ፊቶችን መለየት)፣ ማብራሪያው ከምንጩ ጋር በምስል የተገናኘ መሆን አለበት።
ሂዩሪስቲክ፡ ማብራሪያውን በቀጥታ ከሚያስረዳው የበይነገጽ አካል ጋር ለማገናኘት እንደ ማድመቅ፣ ማብራሪያዎች ወይም ማብራሪያዎች ያሉ ምስላዊ ምልክቶችን ይጠቀሙ።
ምሳሌ፡ ረጅም መጣጥፎችን የሚያጠቃልለው AI መሣሪያ።AI-የመነጨ ማጠቃለያ ነጥብ፡የመጀመሪያ ምርምር ለዘላቂ ምርቶች የገበያ ክፍተት አሳይቷል።ምንጭ በሰነድ፡"...የእኛ Q2 የገበያ አዝማሚያዎች ትንታኔ ምንም አይነት ዋና ተፎካካሪ ለዘላቂ ምርቶች ጉልህ የሆነ የገበያ ክፍተት በማሳየት ኢኮ-ነቃጭ ሸማቹን በብቃት እያገለገለ እንዳልነበር አረጋግጧል።"
ሥርዓተ ጥለት 4፡ የግፋ እና ፑል ቪዥዋል (በዋጋ ላይ ለተመሰረቱ ማብራሪያዎች) ለበለጠ ውስብስብ ውሳኔዎች ተጠቃሚዎች የምክንያቶችን መስተጋብር ሊረዱ ይችላሉ። ቀላል የዳታ ምስላዊ እይታዎች ከአቅም በላይ ሳይሆኑ ግልጽ ያደርጉታል።
ሂዩሪስቲክ፡ በውሳኔ ላይ አወንታዊ እና አሉታዊ ተፅእኖ ያላቸውን ነገሮች ለማሳየት ቀላል፣ በቀለም ኮድ የተደረገባቸው የመረጃ ምስሎችን ተጠቀም (እንደ ባር ገበታዎች)።
ምሳሌ፡ AI የእጩውን ፕሮፋይል ለስራ እያጣራ ነው።ለምን ይህ እጩ የ75% ግጥሚያ የሆነው፡ነጥቦቹን ወደ ላይ ከፍ የሚያደርጉ፡5+አመታት UX የምርምር ልምድ በ Python ውስጥ ብቃት ያለው ነጥቡን ወደ ታች ሲያደርጉት፡ ከB2B SaaS ጋር ምንም ልምድ የለም።
በአይ ምርትዎ ዩኤክስ ውስጥ እነዚህን የንድፍ ንድፎችን መማር እና መጠቀም የማብራራት ችሎታን ለመጨመር ይረዳል። እንዲሁም እዚህ ላይ በጥልቀት የማልሸፍናቸውን ተጨማሪ ቴክኒኮችን መጠቀም ትችላለህ። ይህ የሚከተሉትን ያካትታል:
የተፈጥሮ ቋንቋ ማብራሪያዎች፡ የኤአይአይን ቴክኒካል ውፅዓት ወደ ቀላል፣ የውይይት ሰው ቋንቋ መተርጎም ኤክስፐርቶች ያልሆኑ በቀላሉ ሊረዱት ይችላሉ። ዐውደ-ጽሑፋዊ ማብራሪያዎች፡ ለ AI ውፅዓት በተወሰነ ቅጽበት እና ቦታ ላይ ምክንያታዊነት ማቅረብ ከተጠቃሚው ተግባር ጋር በጣም ጠቃሚ ነው። ተዛማጅ ምስሎች፡ ገበታዎችን፣ ግራፎችን ወይም የሙቀት ካርታዎችን በመጠቀም የኤአይአይ ውሳኔ አሰጣጥ ሂደትን በእይታ ለመወከል፣ ይህም ውስብስብ ውሂብን የሚስብ እና ለተጠቃሚዎች ለመረዳት ቀላል ያደርገዋል።
ለግንባር መጨረሻ ማስታወሻ፡ እነዚህን የማብራሪያ ውጤቶች ወደ እንከን የለሽ የተጠቃሚ ተሞክሮዎች መተርጎም የራሱ የሆነ ቴክኒካዊ ጉዳዮችን ያቀርባል። የፊት-ደረጃ ገንቢዎች የማብራሪያ መረጃን በብቃት ለማምጣት ብዙውን ጊዜ ከኤፒአይ ንድፍ ጋር ይጣጣራሉ፣ እና የአፈጻጸም እንድምታዎች (እንደ እያንዳንዱ የተጠቃሚ መስተጋብር የእውነተኛ ጊዜ ማብራሪያዎች) መዘግየትን ለማስወገድ ጥንቃቄ የተሞላበት እቅድ ማውጣት ያስፈልጋቸዋል። አንዳንድ የእውነተኛ ዓለም ምሳሌዎች የ UPS ካፒታል መላኪያ መከላከያ UPS አንድ ጥቅል የመሰረቅ እድልን ለመተንበይ "የማድረስ መተማመን ነጥብ" በአድራሻዎች ለመመደብ AI ይጠቀማል። የእነርሱ DeliveryDefense ሶፍትዌር በቦታ፣ በመጥፋት ድግግሞሽ እና በሌሎች ሁኔታዎች ላይ ታሪካዊ መረጃዎችን ይመረምራል። አንድ አድራሻ ዝቅተኛ ነጥብ ካለው፣ ስርዓቱ በንቃት ጥቅሉን ወደ ደህንነቱ የተጠበቀ የ UPS የመዳረሻ ነጥብ ማዘዋወር ይችላል፣ ይህም ለውሳኔው ማብራሪያ ይሰጣል (ለምሳሌ፣ "ጥቅል በስርቆት ታሪክ ምክንያት ወደ ደህንነቱ የተጠበቀ ቦታ ተቀይሯል")። ይህ ስርዓት ኤክስኤአይ ለአደጋ ቅነሳ እና የደንበኞችን እምነት ለመገንባት እንዴት መጠቀም እንደሚቻል ያሳያልግልጽነት. ራስ ገዝ ተሽከርካሪዎች እነዚህ የወደፊት ተሸከርካሪዎች ተሽከርካሪዎቻቸው ደህንነቱ የተጠበቀ እና ሊብራሩ የሚችሉ ውሳኔዎችን እንዲወስኑ XAI ን በብቃት መጠቀም አለባቸው። በራሱ የሚነዳ መኪና ብሬክስ በድንገት ሲያቆም ስርዓቱ ለድርጊቱ ትክክለኛ ጊዜ ማብራሪያ ሊሰጥ ይችላል ለምሳሌ እግረኛ ወደ መንገዱ የሚያስገባውን በመለየት ነው። ይህ ለተሳፋሪዎች ምቾት እና እምነት ወሳኝ ብቻ ሳይሆን የ AI ስርዓትን ደህንነት እና ተጠያቂነት ለማረጋገጥ የቁጥጥር መስፈርት ነው. IBM Watson Health (እና ተግዳሮቶቹ) በጤና አጠባበቅ ውስጥ እንደ AI አጠቃላይ ምሳሌ ቢጠቀስም, ለ XAI አስፈላጊነት ጠቃሚ ጥናት ነው. የ Watson for Oncology ፕሮጄክቱ አለመሳካቱ ማብራሪያዎች ግልጽ ካልሆኑ ወይም ከስር ያለው መረጃ የተዛባ ወይም ያልተተረጎመ በሚሆንበት ጊዜ ምን ሊሳሳት እንደሚችል ያሳያል። የስርአቱ ምክሮች አንዳንድ ጊዜ ከአካባቢያዊ ክሊኒካዊ ልምምዶች ጋር የማይጣጣሙ ነበሩ ምክንያቱም በዩኤስ-ማዕከላዊ መመሪያዎች ላይ የተመሰረቱ ናቸው. ይህ ጠንካራ፣ አውድ-አውድ የማብራራት አስፈላጊነት ላይ እንደ ማስጠንቀቂያ ተረት ሆኖ ያገለግላል። የዩኤክስ ተመራማሪው ሚና፡ መጠቆም እና ማብራርያ ማረጋገጥ የእኛ የንድፍ መፍትሔዎች ትክክለኛ የተጠቃሚ ጥያቄዎችን በትክክለኛው ጊዜ የሚመልሱ ከሆነ ብቻ ውጤታማ ይሆናሉ። ተጠቃሚው የሌለውን ጥያቄ የሚመልስ ማብራሪያ ጫጫታ ብቻ ነው። ይህ ለተጠቃሚዎቻችን ምን እና እንዴት እንደሚያስብ ማብራራታችንን በማረጋገጥ የ UX ምርምር በ XAI ስትራቴጂ ውስጥ ወሳኝ የግንኙነት ቲሹ የሚሆነው። የተመራማሪው ሚና ሁለት ነው፡ በመጀመሪያ፡ ማብራሪያዎች የት እንደሚያስፈልጉ በመለየት ስልቱን ማሳወቅ እና ሁለተኛ፡ እነዚያን ማብራሪያዎች የሚያቀርቡትን ንድፎች ማረጋገጥ። የ XAI ስትራቴጂን ማሳወቅ (ምን ማብራራት እንዳለበት) አንድ ነጠላ ማብራሪያ ከመንደፍ በፊት የተጠቃሚውን የአይ.አይ.አይ. ስርዓት አእምሯዊ ሞዴል መረዳት አለብን። ምን እየሰራ እንደሆነ ያምናሉ? በአረዳዳቸው እና በስርዓቱ እውነታ መካከል ያለው ክፍተቶች የት አሉ? ይህ የ UX ተመራማሪ መሰረታዊ ስራ ነው። የአዕምሯዊ ሞዴል ቃለመጠይቆች፡ የተጠቃሚዎችን የኤአይአይ ሲስተም ግንዛቤዎችን ማራገፍ በጥልቅ፣ ከፊል የተዋቀሩ ቃለ-መጠይቆች፣ የUX ባለሙያዎች ተጠቃሚዎች የ AI ስርዓቶችን እንዴት እንደሚገነዘቡ እና እንደሚረዱ ላይ ጠቃሚ ግንዛቤዎችን ማግኘት ይችላሉ። እነዚህ ክፍለ-ጊዜዎች የተነደፉት ተጠቃሚዎች AI እንዴት እንደሚሰራ የሚያምኑበትን ውስጣዊ “የአእምሮ ሞዴላቸውን” እንዲስሉ ወይም እንዲገልጹ ለማበረታታት ነው። ይህ ብዙውን ጊዜ ተጠቃሚዎች የስርዓቱን አመክንዮ ፣ ግብዓቶቹን እና ውጤቶቹን እንዲሁም በእነዚህ አካላት መካከል ያለውን ግንኙነት እንዲያብራሩ የሚገፋፉ ክፍት ጥያቄዎችን መጠየቅን ያካትታል። እነዚህ ቃለ-መጠይቆች ኃይለኛ ናቸው ምክንያቱም ተጠቃሚዎች ስለ AI ያላቸውን ጥልቅ የተሳሳቱ አመለካከቶች እና ግምቶች በተደጋጋሚ ያሳያሉ። ለምሳሌ፣ ከጥቆማ ሞተር ጋር የሚገናኝ ተጠቃሚ ስርዓቱ ያለፈው የእይታ ታሪካቸው ላይ ብቻ የተመሰረተ መሆኑን በልበ ሙሉነት ሊያስረግጥ ይችላል። አልጎሪዝም ሌሎች በርካታ ነገሮችንም እንደ ሚሰሱበት ጊዜ፣ በመድረኩ ላይ ያሉ ወቅታዊ ነገሮች፣ ወይም ተመሳሳይ ተጠቃሚዎችን የመመልከት ልማዶችን እንደሚያካትት ላያውቁ ይችላሉ። ይህንን በተጠቃሚው አእምሮአዊ ሞዴል እና በእውነተኛው የ AI አመክንዮ መካከል ያለውን ክፍተት መግለጥ በጣም አስፈላጊ ነው። ይበልጥ ትክክለኛ እና ጠንካራ የስርዓቱን የአዕምሮ ሞዴል እንዲገነቡ ለመርዳት ከተጠቃሚዎች ጋር ለመግባባት ምን የተለየ መረጃ እንዳለን በትክክል ይነግረናል። ይህ ደግሞ መተማመንን ለማጎልበት መሰረታዊ እርምጃ ነው። ተጠቃሚዎች ኤአይኤ ወደ መደምደሚያው ወይም የውሳኔ ሃሳቦቹ እንዴት እንደሚደርስ በከፍተኛ ደረጃም ቢሆን ሲረዱ ውጤቶቹን የመተማመን እና በተግባሩ ላይ የመተማመን ዕድላቸው ከፍተኛ ነው። AI የጉዞ ካርታ ስራ፡ ጥልቅ ወደ የተጠቃሚ እምነት እና ገላጭነት ዘልቆ መግባት የተጠቃሚውን ጉዞ በአይ-የተጎለበተ ባህሪ በጥንቃቄ በመቅረጽ፣ ግራ መጋባት፣ ብስጭት ወይም ጥልቅ አለመተማመን በሚፈጠርባቸው ትክክለኛ ጊዜዎች ላይ ጠቃሚ ግንዛቤዎችን እናገኛለን። ይህ አይአይ እንዴት እንደሚሰራ የተጠቃሚው አእምሮአዊ ሞዴል ከትክክለኛ ባህሪው ጋር የሚጋጭባቸውን ወሳኝ ወቅቶችን ያሳያል። የሙዚቃ ዥረት አገልግሎትን አስቡበት፡ የአጫዋች ዝርዝር ምክር “በዘፈቀደ”፣ ካለፉት የማዳመጥ ልማዶቻቸው ወይም ከተገለጹት ምርጫዎች ጋር ምንም የማይታይ ግንኙነት ሲጎድላቸው የተጠቃሚው እምነት ይቀንሳል? ይህ በዘፈቀደ የሚታሰበው የተጠቃሚው የማሰብ ችሎታ ያለው ህክምና እንዲጠብቅ እና AI ጣዕማቸውን እንደሚረዳ የተናገረውን ግልጽ የተስፋ ቃል መጣስ ቀጥተኛ ፈተና ነው። በተመሳሳይ፣ በፎቶ አስተዳደር መተግበሪያ ውስጥ፣ የ AI ፎቶ መለያ ባህሪ አንድ ተወዳጅ የቤተሰብ አባልን በስህተት ሲለይ ተጠቃሚዎች ከፍተኛ ብስጭት ያጋጥማቸዋል? ይህ ስህተት ከቴክኒካዊ ብልሽት በላይ ነው; ለትክክለኛነት፣ ለግል ማበጀት እና አልፎ ተርፎም ልብ ላይ ይመታል።ስሜታዊ ግንኙነት. እነዚህ የህመም ምልክቶች በደንብ የተቀመጠ፣ ግልጽ እና አጭር ማብራሪያ አስፈላጊ በሚሆንበት ቦታ ላይ በትክክል የሚጠቁሙ ግልጽ ምልክቶች ናቸው። እንደነዚህ ያሉ ማብራሪያዎች እንደ ወሳኝ የጥገና ዘዴዎች ሆነው ያገለግላሉ, ያለመተማመንን መጣስ በማስተካከል, መፍትሄ ካልተሰጠ, ተጠቃሚውን መተው ሊያስከትል ይችላል. የ AI የጉዞ ካርታ ስራ ሃይል የ AI ስርዓት የመጨረሻውን ውጤት በቀላሉ ከማብራራት ባለፈ እኛን ለማንቀሳቀስ ባለው ችሎታ ላይ ነው። AI ምን እንዳመረተ መረዳት አስፈላጊ ቢሆንም ብዙውን ጊዜ በቂ አይደለም. ይልቁንስ ይህ ሂደት ወሳኝ በሆኑ ጊዜያት ሂደቱን በማብራራት ላይ እንድናተኩር ያስገድደናል። ይህ ማለት፡- አድራሻ፡-
ለምን የተለየ ውፅዓት ተፈጠረ፡ በልዩ የግብአት ውሂብ ምክንያት ነው? የተለየ ሞዴል አርክቴክቸር? በ AI ውሳኔ ላይ ተጽዕኖ ያሳደረባቸው ነገሮች ምንድን ናቸው፡ አንዳንድ ባህሪያት የበለጠ ክብደት አላቸው? AI እንዴት ድምዳሜ ላይ እንደደረሰ፡ ስለ ውስጣዊ አሠራሩ ቀለል ያለና ተመሳሳይ የሆነ ማብራሪያ መስጠት እንችላለን? AI ምን ግምቶች አድርጓል፡- ግልጽ መሆን ያለባቸው የተጠቃሚውን ዓላማ ወይም ውሂብ የተረዱ ግንዛቤዎች ነበሩ? የ AI ውሱንነቶች ምንድ ናቸው፡ AI ማድረግ የማይችለውን ወይም ትክክለኝነት በሚወዛወዝበት ቦታ በግልፅ መግባባት ተጨባጭ ተስፋዎችን ይገነባል።
የ AI የጉዞ ካርታ ስራ የXAIን ረቂቅ ፅንሰ-ሀሳብ ወደ ተግባራዊ ፣ተግባራዊ ማዕቀፍ ለ UX ባለሙያዎች ይለውጠዋል። ከማብራራት ንድፈ ሃሳባዊ ውይይቶች ባሻገር እንድንሄድ እና በምትኩ የተጠቃሚ እምነት አደጋ ላይ የወደቀባቸውን ትክክለኛ ጊዜዎች እንድንጠቁም ያስችለናል፣ ይህም ሃይለኛ፣ ግልጽ፣ ለመረዳት የሚቻል እና እምነት የሚጣልበት የ AI ተሞክሮዎችን ለመገንባት አስፈላጊውን ግንዛቤ ይሰጠናል። በመጨረሻ፣ ምርምር የማናውቀውን እንዴት እንደምናገኝ ነው። ቡድንዎ ብድር ለምን እንደተከለከለ እንዴት እንደሚያብራራ እየተወያየ ሊሆን ይችላል፣ ነገር ግን በጥናቱ ተጠቃሚዎቹ በመጀመሪያ ደረጃ ውሂባቸው እንዴት ጥቅም ላይ እንደዋለ ለመረዳት የበለጠ ያሳስባቸዋል። ያለ ጥናት፣ ተጠቃሚዎቻችን ምን እያሰቡ እንደሆነ እየገመተን ነው። በንድፍ ላይ መተባበር (የእርስዎን AI እንዴት ማብራራት እንደሚቻል) አንድ ጊዜ ምርምር ምን ማብራራት እንዳለበት ካወቀ፣ ከንድፍ ጋር ያለው የትብብር ዑደት ይጀምራል። ንድፍ አውጪዎች ቀደም ብለን የተነጋገርናቸውን ቅጦች ማለትም "ምክንያቱም" መግለጫውን፣ በይነተገናኝ ተንሸራታቾችን - እና ተመራማሪዎች እነዚያን ንድፎች በተጠቃሚዎች ፊት መያዛቸውን ለማየት ይችላሉ። የታለመ የአጠቃቀም እና የመረዳት ሙከራ፡ በተለይ የ XAI ክፍሎችን የሚፈትኑ የምርምር ጥናቶችን መንደፍ እንችላለን። “ይህን ለመጠቀም ቀላል ነው?” ብለን ብቻ አንጠይቅም። "ይህን ካየህ በኋላ ስርዓቱ ይህን ምርት ለምን እንደመከረ በራስዎ ቃላት ሊነግሩኝ ይችላሉ?" ወይም "የተለየ ውጤት ማግኘት ይችሉ እንደሆነ ለማየት ምን እንደሚያደርጉ አሳዩኝ." እዚህ ያለው ግብ ግንዛቤን እና ተግባራዊነትን መለካት ነው፣ ከአጠቃቀም ጋር። በራስ መተማመንን መለካት፡- ማብራሪያ ከመታየቱ በፊት እና በኋላ ቀላል የዳሰሳ ጥናቶችን እና የደረጃ መለኪያዎችን መጠቀም እንችላለን። ለምሳሌ፣ ተጠቃሚን ባለ 5-ነጥብ ሚዛን፣ “ይህን ምክር ምን ያህል ታምናለህ?” ብለን ልንጠይቀው እንችላለን። “ምክንያቱም” የሚለውን መግለጫ ከማየታቸው በፊት፣ እና ከዚያ በኋላ እንደገና ጠይቃቸው። ይህ የእኛ ማብራሪያዎች መርፌውን በእምነት ላይ እያንቀሳቀሱ ስለመሆኑ የቁጥር መረጃን ያቀርባል። ይህ ሂደት ኃይለኛ, ተደጋጋሚ ዑደት ይፈጥራል. የምርምር ግኝቶች የመጀመሪያውን ንድፍ ያሳውቃሉ. ያ ንድፍ ከዚያም ይሞከራል, እና አዲሶቹ ግኝቶች ለማጣራት ወደ ንድፍ ቡድን ይመለሳሉ. ምናልባት “ምክንያቱም” የሚለው መግለጫ በጣም አነጋጋሪ ነበር፣ ወይም “ምን-ቢሆን” ተንሸራታቹ ከማብቃት የበለጠ ግራ የሚያጋባ ነበር። በዚህ የትብብር ማረጋገጫ፣ የመጨረሻዎቹ ማብራሪያዎች በቴክኒካል ትክክለኛ፣ በትክክል ለመረዳት የሚቻል፣ ጠቃሚ እና ምርቱን ለሚጠቀሙ ሰዎች እምነት የሚገነቡ መሆናቸውን እናረጋግጣለን። የጎልድሎክስ ዞን ማብራሪያ ወሳኝ የሆነ የማስጠንቀቂያ ቃል: ከመጠን በላይ ማብራራት ይቻላል. ልክ እንደ ተረት ፣ ጎልድሎክስ ገንፎውን 'ትክክል' የሆነውን ገንፎ ሲፈልግ ፣ ጥሩ የማብራሪያ ግብ ትክክለኛውን ዝርዝር መጠን ማቅረብ ነው - በጣም ብዙ እና ትንሽ አይደለም ። በሞዴል ውስጥ እያንዳንዱን ተለዋዋጭ ተጠቃሚን ቦምብ መጣል ወደ የግንዛቤ ጫና ይመራዋል እና እምነትን ሊቀንስ ይችላል። ግቡ ተጠቃሚውን የውሂብ ሳይንቲስት ማድረግ አይደለም. አንዱ መፍትሔ ደረጃ በደረጃ ይፋ ማድረግ ነው።
በቀላል ይጀምሩ። “ምክንያቱም” በሚለው አጭር መግለጫ ይምሩ። ለአብዛኛዎቹ ተጠቃሚዎች ይህ በቂ ይሆናል። ለዝርዝር መንገድ ያቅርቡ። እንደ "የበለጠ ለመረዳት" ወይም "ይህ እንዴት እንደተወሰነ ይመልከቱ" ያለ ግልጽ፣ ዝቅተኛ-ግጭት አገናኝ ያቅርቡ። ውስብስብነቱን ይግለጹ. ከዚያ ማገናኛ ጀርባ፣ በይነተገናኝ ተንሸራታቾችን፣ ምስላዊ ምስሎችን ወይም የበለጠ ዝርዝር አስተዋጽዖ ምክንያቶችን ማቅረብ ይችላሉ።
ይህ የተደራረበ አካሄድ የተጠቃሚዎችን ትኩረት እና እውቀት ያከብራል፣ ይህም ትክክለኛውን መጠን ያቀርባልለፍላጎታቸው መረጃ. በተለያዩ ምክንያቶች ላይ በመመርኮዝ ጥሩ ሙቀትን የሚመከር ዘመናዊ የቤት መሣሪያ እየተጠቀሙ እንደሆነ እናስብ። በቀላል ይጀምሩ፡- “ቤታችሁ በአሁኑ ጊዜ በ72 ዲግሪዎች ይሞቃል፣ ይህም ለኃይል ቁጠባ እና መፅናኛ ጥሩው ሙቀት ነው። ለዝርዝር ዱካ አቅርብ፡ ከዛ በታች፣ ትንሽ ማገናኛ ወይም አዝራር፡ "ለምን 72 ዲግሪዎች ተመራጭ የሆነው?" ውስብስቡን ይግለጹ፡ ሊንኩን ጠቅ ሲያደርጉ አዲስ ስክሪን ሊከፍት ይችላል፡
በይነተገናኝ ተንሸራታቾች ለውጭ ሙቀት፣ እርጥበት እና ለመረጡት የምቾት ደረጃ፣ እነዚህ የሚመከረውን የሙቀት መጠን እንዴት እንደሚያስተካክሉ ያሳያል። በተለያየ የሙቀት መጠን የኃይል ፍጆታ እይታ. እንደ “የቀኑ ሰዓት”፣ “የአሁኑ የውጪ ሙቀት”፣ “ታሪካዊ የኃይል አጠቃቀም” እና “የመኖርያ ዳሳሾች” ያሉ አስተዋጽዖ ምክንያቶች ዝርዝር።
በርካታ የ XAI ዘዴዎችን ማጣመር ውጤታማ ነው እና ይህ የጎልድሎክስ ዞን የማብራሪያ ንድፍ፣ ተራማጅ ይፋ ማድረግን የሚደግፍ፣ ይህንን በተዘዋዋሪ ያበረታታል። ፈጣን ግንዛቤ ለማግኘት በቀላል “ምክንያቱም” መግለጫ (ንድፍ 1) መጀመር ትችላላችሁ፣ እና ለበለጠ ጥናት “ምን ከሆነ” በይነተገናኝ (ስርዓተ-ጥለት 2) ወይም “ግፋ-እና-ጎትት” (ንድፍ 4) የሚገልጥ “የበለጠ ለመረዳት” አገናኝ ያቅርቡ። ለምሳሌ፣ የብድር ማመልከቻ ሥርዓት መጀመሪያ የመካድበትን ዋና ምክንያት (የባህሪ አስፈላጊነት) ሊገልጽ ይችላል፣ ከዚያም ተጠቃሚው በገቢያቸው ወይም በዕዳቸው ላይ የሚደረጉ ለውጦች እንዴት ውጤቱን እንደሚለውጡ ለማየት ከ«ምን-ቢ» መሣሪያ ጋር እንዲገናኝ ያስችለዋል፣ እና በመጨረሻም የሁሉም ሁኔታዎች አወንታዊ እና አሉታዊ አስተዋጾዎችን ለማሳየት “ግፋ እና ፑል” ገበታ (እሴት ላይ የተመሠረተ ማብራሪያ) ያቅርቡ። ይህ የተደራረበ አካሄድ ተጠቃሚዎች የሚያስፈልጋቸውን የዝርዝር ደረጃ፣ በሚፈልጉት ጊዜ እንዲደርሱ ያስችላቸዋል፣ ይህም የእውቀት (ኮግኒቲቭ) ጫናን በመከላከል አሁንም ሁሉን አቀፍ ግልጽነት ይሰጣል። የትኞቹን የ XAI መሳሪያዎች እና ዘዴዎች መጠቀም እንዳለባቸው መወሰን በዋነኛነት የጠለቀ የ UX ምርምር ተግባር ነው። የአእምሮ ሞዴል ቃለመጠይቆች እና የ AI የጉዞ ካርታ ስራ የተጠቃሚ ፍላጎቶችን እና ከ AI መረዳት እና እምነት ጋር የተያያዙ የህመም ነጥቦችን ለመለየት ወሳኝ ናቸው። የአእምሮ ሞዴል ቃለ-መጠይቆች AI እንዴት እንደሚሰራ የተጠቃሚዎችን የተሳሳቱ ግንዛቤዎችን ለማግኘት ይረዳል፣ ይህም መሰረታዊ ማብራሪያዎች (እንደ ባህሪ አስፈላጊነት ወይም የአካባቢ ማብራሪያዎች) የሚፈለጉባቸውን ቦታዎች ያመለክታሉ። AI የጉዞ ካርታ በአንጻሩ፣ ተጠቃሚው ከ AI ጋር ባለው ግንኙነት ውስጥ ግራ የሚያጋቡ ወይም አለመተማመንን ወሳኝ ጊዜዎችን ይለያል፣ ይህም ይበልጥ ጥቃቅን ወይም በይነተገናኝ ማብራሪያዎች (እንደ ተጻራሪ ወይም እሴት ላይ የተመሰረቱ ማብራሪያዎች) እምነትን መልሶ ለመገንባት እና ኤጀንሲ ለማቅረብ በጣም ጠቃሚ የሆኑበትን ቦታ ያሳያል።
ዞሮ ዞሮ፣ ቴክኒክን ለመምረጥ ምርጡ መንገድ የተጠቃሚዎች ምርምር ውሳኔዎችዎን እንዲመራ ማድረግ፣ እርስዎ የሚነደፏቸው ማብራሪያዎች ለራሳቸው ሲሉ ቴክኒካል ዝርዝሮችን ከማቅረብ ይልቅ በቀጥታ የተጠቃሚ ጥያቄዎችን እና ስጋቶችን እንደሚፈታ ማረጋገጥ ነው። XAI ለጥልቅ የማመዛዘን ወኪሎች ጥልቅ የማመዛዘን ወኪሎች በመባል የሚታወቁት አንዳንድ አዳዲስ AI ሲስተሞች ለእያንዳንዱ ውስብስብ ተግባር ግልጽ የሆነ “የአስተሳሰብ ሰንሰለት” ያዘጋጃሉ። ምንጮችን ብቻ አይጠቅሱም; መደምደሚያ ላይ ለመድረስ የወሰዱትን ምክንያታዊ፣ ደረጃ በደረጃ መንገድ ያሳያሉ። ይህ ግልጽነት ጠቃሚ አውድ ቢያቀርብም፣ በርካታ አንቀጾችን የሚሸፍነው ጨዋታ-በ-ጨዋታ አንድን ተግባር ለመጨረስ ሲሞክር ተጠቃሚው ከባድ ሆኖ ሊሰማው ይችላል። የ XAI መርሆዎች በተለይም የጎልድሎክስ ዞን ማብራሪያ እዚህ በቀጥታ ተፈጻሚ ይሆናሉ። የመጨረሻውን መደምደሚያ እና ከሁሉ የላቀውን የአስተሳሰብ ሂደት መጀመሪያ ለማሳየት ተራማጅ መረጃን በመጠቀም ጉዞውን ማስተካከል እንችላለን። ተጠቃሚዎች አመክንዮውን ደግመው ማረጋገጥ ወይም አንድ የተወሰነ እውነታ ሲፈልጉ ሙሉውን፣ ዝርዝር፣ ባለብዙ ደረጃ ምክንያት ለማየት መርጠው መግባት ይችላሉ። ይህ አካሄድ የወኪሉን ሙሉ ግልጽነት በመጠበቅ የተጠቃሚውን ትኩረት ያከብራል። ቀጣይ እርምጃዎች፡ የእርስዎን የXAI ጉዞ ማብቃት። ማብራራት ታማኝ እና ውጤታማ የኤአይአይ ምርቶችን ለመገንባት መሰረታዊ ምሰሶ ነው። ይህንን ለውጥ በድርጅታቸው ውስጥ ለመምራት ለሚፈልጉ የላቀ ባለሙያ፣ ጉዞው ከዲዛይን ንድፎች ባሻገር ወደ ጥብቅና እና ቀጣይነት ያለው ትምህርት ይዘልቃል። የእርስዎን ግንዛቤ እና ተግባራዊ መተግበሪያ ለማዳበር እንደ AI Explainability 360 (AIX360) Toolkit ከ IBM Research ወይም Google What-If Tool፣ የሞዴል ባህሪን እና ማብራሪያዎችን ለመፈተሽ በይነተገናኝ መንገዶችን የሚያቀርቡ መርጃዎችን ማሰስ ያስቡበት። እንደ ተጠያቂ AI ፎረም ካሉ ማህበረሰቦች ጋር መሳተፍ ወይም ሰውን ያማከለ AI ላይ ያተኮሩ የተወሰኑ የምርምር ቡድኖች በዋጋ ሊተመን የማይችል ግንዛቤዎችን እና የትብብር እድሎችን ይሰጣል። በመጨረሻም፣ በራስዎ ድርጅት ውስጥ ለ XAI ጠበቃ ይሁኑ።ፍሬም የማብራራት ችሎታ እንደ ስትራቴጂካዊ ኢንቨስትመንት። ለአመራርዎ ወይም ለተግባራዊ ቡድኖችዎ አጭር ድምጽ ያስቡበት፡- "በኤኤአይአይ ላይ ኢንቬስት በማድረግ እምነትን ከመገንባት አልፈን እንሄዳለን፤ የተጠቃሚ ጉዲፈቻን እናፋጥናለን፣ ተጠቃሚዎችን ግንዛቤ እንዲኖራቸው በማድረግ የድጋፍ ወጪዎችን እንቀንሳለን፣ እና እምቅ አድሎአዊ ጉዳዮችን በማጋለጥ ከፍተኛ የስነምግባር እና የቁጥጥር ስጋቶችን እንቀንሳለን። ይህ ጥሩ ዲዛይን እና ብልህ ንግድ ነው።"
በተግባራዊ ግንዛቤ ላይ የተመሰረተ የእርስዎ ድምጽ AIን ከጥቁር ሳጥን ለማውጣት እና ከተጠቃሚዎች ጋር ወደ ትብብር አጋርነት ለማምጣት ወሳኝ ነው።
