کاربرد رویکردهای XAI در افزایش دقت و اعتماد پذیری شبکههای عصبی مصنوعی در سیستمهای هوافضایی

در سالهای اخیر استفاده از شبکه های عصبی مصنوعی در حوزه های پیشرفته ای مانند صنعت هوافضا به طور چشمگیری افزایش یافته است. این مدل ها با وجود توان بالا در پردازش داده های پیچیده، به دلیل ساختار غیر شفاف، خود با چالش هایی جدی در زمینه اعتماد و تفسیر پذیری مواجه هستند. این موضوع به ویژه در سیستم هایی که نیازمند تصمیم گیری دقیق و قابل ردیابی هستند اهمیت دوچندانی پیدا می کند. در این مقاله، مفهوم هوش مصنوعی توضیح پذیر (XAI) به عنوان راهکاری برای رفع این چالش معرفی شده است با مروری بر کاربردهای XAI در بخش هایی مانند طراحی آیرودینامیکی، پیش بینی وضعیت موتورهای جت و نگهداری پیش بینانه نشان داده می شود که چگونه این رویکرد می تواند به افزایش شفافیت مدل های یادگیری عمیق و ارتقاء سطح اعتماد کاربران منجر شود. همچنین ابزارهای مختلف تحلیل و تفسیر خروجی مدل ها مانند SHAP و LIME، مورد بررسی قرار گرفته اند. نتایج نشان می دهد که ادغام XAI با شبکه های عصبی نه تنها موجب بهبود دقت پیش بینی و کاهش هزینه های نگهداری می شود بلکه با افزایش قابلیت تفسیر، زمینه ساز اعتماد بیشتر متخصصان به تصمیمات مدل خواهد بود. در نهایت چالش های باقی مانده و چشم انداز تلفیق XAI با فناوری هایی نظیر دوقلوهای دیجیتال برای توسعه مدل های هوشمند شفاف و قابل اعتماد در صنعت هوافضا مطرح شده است.

کلیدواژه ها:

XAI ، هوش مصنوعی توضیح پذیر ، شبکه های عصبی ، هوافضا ، آیرودینامیک