Generación y aprovechamiento de explicaciones de modelos de IA/ML en la investigación de materiales y manufactura

En algunos dominios técnicos, las herramientas de aprendizaje automático (ML), que normalmente se utilizan con grandes conjuntos de datos, deben adaptarse a conjuntos de datos pequeños, espacios de diseño opacos y costosa generación de datos. Específicamente, generar datos en muchos contextos de materiales o manufactura puede ser costoso en tiempo, materiales y experiencia. Además, el "proceso de pensamiento" de los complejos modelos de ML "caja negra" a menudo es opaco para los principales interesados. Esta limitación puede resultar en predicciones ineficientes o peligrosas cuando errores en el procesamiento de datos o en el entrenamiento del modelo pasan desapercibidos. Los métodos de generación de explicaciones interpretables por humanos de modelos complejos, llamados inteligencia artificial explicable (XAI), pueden proporcionar la información necesaria para prevenir estos problemas. En esta revisión, presentamos brevemente los métodos de XAI y esbozamos cómo XAI también puede informar el comportamiento futuro. Estos ejemplos ilustran cómo XAI puede mejorar la producción manufacturera, la comprensión física y la ingeniería de características. Presentamos una guía sobre el uso de XAI en la investigación de ciencia de materiales y manufactura con la ayuda de ejemplos demostrativos de la literatura.