Framework Guidato da LLM per la Selezione di XAI Human-Centered in Dispositivi Edge TinyML

È stato proposto un nuovo framework per la selezione di metodi di intelligenza artificiale spiegabile (XAI) in implementazioni edge TinyML, affrontando la sfida di bilanciare le preferenze degli stakeholder, la qualità delle spiegazioni e i costi di implementazione. Il framework, dettagliato in un preprint su arXiv (2608.07091), integra un'interfaccia di progettazione guidata da un grande modello linguistico (LLM) che traduce le preferenze qualitative degli stakeholder in metodi XAI candidati. Seguono un filtraggio deterministico di fattibilità e un'ottimizzazione basata su Pareto per identificare le soluzioni ottimali. L'approccio è particolarmente rilevante per applicazioni cliniche in cui l'inferenza locale e tempestiva è critica, e dove la XAI funge da interfaccia uomo-AI per supportare professionisti sanitari e pazienti nella comprensione delle previsioni del modello. Il lavoro evidenzia l'importanza del design human-centered nell'implementazione dell'AI, assicurando che i vincoli tecnici e le esigenze degli utenti siano considerati congiuntamente. Il framework è presentato come un problema di progettazione multi-obiettivo, enfatizzando i compromessi inerenti all'implementazione dell'AI su dispositivi con risorse limitate. Il preprint è stato annunciato come una sottomissione cross-type, indicando la sua natura interdisciplinare.