"¿Qué tan buena es tu explicación?": Hacia un enfoque de evaluación estandarizado para diversos métodos de XAI en múltiples dimensiones de explicabilidad

Los sistemas de Inteligencia Artificial (IA) involucran diversos componentes, como datos, modelos, usuarios y resultados predichos. Para aclarar estos diferentes aspectos de los sistemas de IA, son beneficiosas las explicaciones multifacéticas que combinan diversos métodos de inteligencia artificial explicable (XAI). Sin embargo, los métodos de evaluación XAI centrados en el usuario, que son popularmente adoptados, no miden estas explicaciones a través de los diferentes componentes del sistema. En este documento de posición, abogamos por un enfoque diseñado para evaluar métodos de XAI considerando las diversas dimensiones de la explicabilidad dentro de los sistemas de IA, utilizando una escala normalizada. Argumentamos que los métodos de evaluación centrados en el usuario que prevalecen son insuficientes para facilitar comparaciones significativas entre diferentes tipos de metodologías XAI. Además, discutimos las posibles ventajas de adoptar un enfoque estandarizado, que permitiría evaluaciones completas de la explicabilidad a través de los sistemas. Al considerar varias dimensiones de la explicabilidad, como datos, modelo, predicciones y usuarios objetivo, un enfoque de evaluación estandarizado promete facilitar tanto comparaciones entre sistemas como dentro de un mismo sistema para sistemas de IA centrados en el usuario.