EARL: Una libreria Python per spiegazioni controfattuali nell'apprendimento per rinforzo

È stata introdotta una nuova libreria Python chiamata EARL (Explanations using Alternative Realities for Reinforcement Learning) per affrontare la mancanza di trasparenza nelle politiche di apprendimento per rinforzo (RL), in particolare quelle basate su reti neurali profonde. La libreria, descritta in un articolo su arXiv (2608.14620), genera spiegazioni controfattuali esplorando scenari 'what-if', consentendo agli utenti di confrontare possibili risultati e comprendere meglio il comportamento dell'agente. Questo approccio si basa su ricerche psicologiche che hanno dimostrato che le spiegazioni controfattuali sono intuitive e facili da usare, ma la loro applicazione nell'RL è stata limitata a esempi giocattolo e benchmark. EARL mira a supportare la generazione di spiegazioni controfattuali in sistemi auto-adattivi realistici basati su RL, migliorando così la fiducia degli utenti e facilitando la verifica del sistema. L'articolo è stato annunciato come una sottomissione di tipo 'cross' su arXiv.