مروری نظام مند و تحلیلی بر هوش مصنوعی قابل توضیح :(XAI) چارچوب های مفهومی، روش های فنی، کاربردها و چالش های پژوهشی

با گسترش سریع کاربردهای هوش مصنوعی در حوزه های حساس مانند پزشکی، امور مالی، قضاوت قضایی و سیستم های خودران، مسئله شفافیت و قابلیت توضیح پذیری مدل های هوشمند به یکی از چالش های اساسی پژوهش های معاصر تبدیل شده است. بسیاری از مدل های پیشرفته یادگیری عمیق علی رغم دقت بالا، ماهیتی جعبه سیاه دارند که مانع از درک منطق تصمیم گیری آن ها توسط کاربران انسانی می شود. هوش مصنوعی قابل توضیح (Explainable Artificial Intelligence | XAI) به عنوان یک پارادایم نوین، با هدف افزایش شفافیت، اعتماد، مسئولیت پذیری و انطباق با الزامات قانونی توسعه یافته است. این مقاله با رویکردی مروری–نظام مند، به بررسی مبانی نظری XAI، دسته بندی روش های تبیینی، معیارهای ارزیابی، کاربردهای واقعی و چالش های باز پژوهشی می پردازد. نتایج نشان می دهد که اگرچه پیشرفت های قابل توجهی در توسعه روش های XAI حاصل شده، اما فقدان استانداردهای ارزیابی، تعارض دقت–تفسیرپذیری و چالش های شناختی انسانی همچنان از مسائل حل نشده این حوزه محسوب می شوند.

کلیدواژه ها:

هوش مصنوعی قابل توضیح ، تفسیرپذیری مدل ها ، یادگیری ماشین ، شفافیت الگوریتمی ، کاربردهای واقعی