Resumen: Los métodos actuales explicables de IA (XAI) sirven en gran medida a los desarrolladores, a menudo enfocándose en justificar los resultados del modelo en lugar de apoyar diversas necesidades de partes interesadas. Un cambio reciente hacia la IA evaluativa replantea la explicación como una herramienta para las pruebas de hipótesis, pero aún se centra principalmente en las organizaciones operativas. Introducimos a Holistic-XAI (H-XAI), un marco unificado que integra métodos de calificación causales con métodos XAI tradicionales para apoyar la explicación como un proceso interactivo de métodos múltiples. H-XAI permite a las partes interesadas hacer una serie de preguntas, probar hipótesis y comparar el comportamiento del modelo con líneas de base aleatorias y sesgadas construidas automáticamente. Combina explicaciones a nivel de instancia y global, adaptándose a los objetivos de cada parte interesada, ya sea comprender las decisiones individuales, evaluar el sesgo a nivel de grupo o evaluar la solidez bajo perturbaciones. Demostramos la generalidad de nuestro enfoque a través de dos estudios de casos que abarcan seis escenarios: clasificación de riesgo de crédito binario y pronósticos de series de tiempo financieras. H-XAI llena los vacíos críticos dejados por los métodos XAI existentes mediante la combinación de calificaciones causales y explicaciones post-hoc para responder preguntas específicas de las partes interesadas tanto en el nivel de decisión individual como en el nivel general del modelo.
Publicado Originalme en export.arxiv.org El 10 de agosto de 2025.
Ver Fuente Original
