معرفی مقاله و اهمیت آن

در عصر حاضر، تعاملات انسانی به طور فزاینده‌ای از طریق کانال‌های ارتباطی متعدد صورت می‌گیرد که شامل محتوای کلامی (متن)، صدا و حالات چهره می‌شود. تحلیل احساسات چندوجهی (Multimodal Sentiment Analysis) شاخه‌ای کلیدی در پردازش زبان طبیعی است که هدف آن درک و تشخیص نگرش‌ها و احساسات افراد از ترکیب این کانال‌هاست. این حوزه به دلیل کاربردهای وسیع در زمینه‌هایی مانند خدمات مشتری، شبکه‌های اجتماعی و سلامت روان، اهمیت فزاینده‌ای یافته است.

علی‌رغم پیشرفت‌های چشمگیر در مدل‌های یادگیری عمیق که نتایج قدرتمندی در تحلیل احساسات چندوجهی ارائه می‌دهند، این مدل‌ها اغلب به صورت “جعبه سیاه” (Black Box) عمل می‌کنند. به این معنی که مشخص نیست چگونه اطلاعات حاصل از وجوه مختلف (مانند متن، صدا و تصویر) با یکدیگر ترکیب می‌شوند تا پیش‌بینی نهایی احساسات را شکل دهند. این عدم شفافیت، درک، اعتمادسازی و بهبود این مدل‌ها را دشوار می‌سازد.

مقاله “M2Lens: Visualizing and Explaining Multimodal Models for Sentiment Analysis” پاسخی نوآورانه به این چالش ارائه می‌دهد. این مقاله یک سیستم تحلیل بصری تعاملی به نام M2Lens را معرفی می‌کند که به کاربران اجازه می‌دهد تا فرآیندهای درونی مدل‌های چندوجهی را تجسم کرده و توضیح دهند. اهمیت این پژوهش در پر کردن شکافی حیاتی در حوزه هوش مصنوعی توضیح‌پذیر (Explainable AI – XAI) برای مدل‌های چندوجهی است که تا پیش از این کمتر مورد توجه قرار گرفته بودند. M2Lens نه تنها به محققان کمک می‌کند تا بینش عمیق‌تری نسبت به عملکرد مدل‌های خود پیدا کنند، بلکه امکان شناسایی سوگیری‌ها و بهبود کارایی آن‌ها را نیز فراهم می‌آورد.

نویسندگان و زمینه تحقیق

این مقاله حاصل تلاش‌های محققان برجسته‌ای به نام‌های Xingbo Wang, Jianben He, Zhihua Jin, Muqiao Yang, Yong Wang و Huamin Qu است. این تیم پژوهشی با تخصص‌های متنوع در حوزه‌های یادگیری ماشین (Machine Learning)، محاسبات و زبان (Computation and Language)، تعامل انسان و کامپیوتر (Human-Computer Interaction – HCI) و چندرسانه‌ای (Multimedia)، رویکردی جامع و بین‌رشته‌ای را در این تحقیق به کار گرفته‌اند.

زمینه اصلی این تحقیق، پردازش زبان طبیعی و به طور خاص، تحلیل احساسات است. با این حال، دامنه آن به دلیل ماهیت چندوجهی داده‌ها، به تعامل انسان و کامپیوتر و طراحی سیستم‌های بصری نیز گسترش می‌یابد. در سال‌های اخیر، با افزایش حجم داده‌های چندوجهی (ویدئو، صوت، متن) در پلتفرم‌های دیجیتال، نیاز به مدل‌هایی که بتوانند این اطلاعات را به طور مؤثر پردازش و ترکیب کنند، بیش از پیش احساس می‌شود.

در حالی که مدل‌های تک‌وجهی (مانند تحلیل احساسات تنها از روی متن) به بلوغ نسبی رسیده‌اند، مدل‌های چندوجهی چالش‌های جدیدی را به همراه دارند؛ از جمله چگونگی مدل‌سازی تعاملات پیچیده درون‌وجهی (intra-modal interactions) (مثلاً نحوه تاثیر کلمات مختلف در یک جمله) و تعاملات بین‌وجهی (inter-modal interactions) (مانند رابطه بین لحن صدا و کلمات بیان شده). هدف این پژوهش، نه تنها بهبود عملکرد این مدل‌ها، بلکه فراهم آوردن ابزاری برای درک و تفسیر رفتار آنهاست که گامی مهم در جهت اعتمادسازی و توسعه هوش مصنوعی مسئولیت‌پذیر محسوب می‌شود.

چکیده و خلاصه محتوا

مقاله M2Lens به بررسی چالش اساسی عدم شفافیت در مدل‌های یادگیری عمیق چندوجهی برای تحلیل احساسات می‌پردازد. این مدل‌ها، علیرغم کارایی بالا، اغلب به دلیل ماهیت “جعبه سیاه” خود، درک نحوه استفاده از اطلاعات چندوجهی برای پیش‌بینی احساسات را دشوار می‌سازند. چکیده مقاله به طور واضح هدف اصلی را بیان می‌کند: ارائه یک سیستم تحلیل بصری تعاملی (interactive visual analytics system) به نام M2Lens برای تجسم و توضیح این مدل‌ها.

خلاصه محتوای مقاله را می‌توان در چندین محور کلیدی دسته‌بندی کرد:

• مشکل مرکزی: مدل‌های چندوجهی فعلی که برای تحلیل احساسات طراحی شده‌اند، پیچیدگی‌های تعاملات درون‌وجهی و بین‌وجهی را مدل‌سازی می‌کنند، اما نحوه کارکرد آن‌ها برای کاربران پنهان است و این امر مانع از اعتماد و بهبود می‌شود.
• راه‌حل: M2Lens به عنوان یک ابزار قدرتمند، توضیحات را در سه سطح مختلف ارائه می‌دهد:
  • سطح کلی (Global Level): خلاصه‌ای از رفتار کلی مدل در مجموعه داده‌ها.
  • سطح زیرمجموعه (Subset Level): توضیحاتی در مورد رفتار مدل برای گروه‌های خاصی از داده‌ها یا سناریوها.
  • سطح محلی (Local Level): جزئیات دقیق و توجیهی برای یک پیش‌بینی خاص از یک ورودی واحد.
• انواع تعاملات: M2Lens به طور خاص، تأثیر سه نوع تعامل رایج بین وجوه مختلف (متن، صدا، تصویر) را بر پیش‌بینی‌های مدل خلاصه می‌کند:
  • تسلط (Dominance): زمانی که یک وجه خاص (مثلاً متن) تأثیر غالب بر پیش‌بینی نهایی دارد، حتی اگر سایر وجوه اطلاعات متفاوتی ارائه دهند.
  • تکمیل (Complement): زمانی که وجوه مختلف اطلاعات مکمل یکدیگر را ارائه داده و یکدیگر را برای تقویت یک احساس خاص پشتیبانی می‌کنند.
  • تضاد (Conflict): وقتی وجوه مختلف اطلاعات متناقضی را نشان می‌دهند (مثلاً متن مثبت است اما لحن صدا منفی). M2Lens توضیح می‌دهد که مدل چگونه این تضاد را حل و فصل می‌کند.
• شناسایی ویژگی‌ها: این سیستم قادر است ویژگی‌های چندوجهی پرتکرار و تأثیرگذار (frequent and influential multimodal features) را شناسایی کند، که به درک عمیق‌تر عوامل محرک پیش‌بینی مدل کمک می‌کند.
• اکتشاف چندوجهی: M2Lens از اکتشاف چندوجهی (multi-faceted exploration) رفتار مدل از طریق سه وجه زبانی (Language)، صوتی (Acoustic) و بصری (Visual) پشتیبانی می‌کند و به کاربران اجازه می‌دهد تا از زوایای مختلف به تحلیل بپردازند.
• اعتبارسنجی: اثربخشی M2Lens از طریق دو مطالعه موردی و مصاحبه با متخصصان نشان داده شده است که به کاربران کمک می‌کند تا بینش‌های عمیقی نسبت به مدل‌های تحلیل احساسات چندوجهی کسب کنند.

در مجموع، این مقاله یک گام مهم رو به جلو در جهت شفاف‌سازی و قابل فهم کردن مدل‌های پیچیده هوش مصنوعی است و ابزاری قدرتمند برای محققان و توسعه‌دهندگان در حوزه تحلیل احساسات چندوجهی ارائه می‌دهد.

روش‌شناسی تحقیق

روش‌شناسی پژوهش در مقاله M2Lens بر پایه توسعه یک سیستم تحلیل بصری تعاملی است که به طور خاص برای توضیح و تجسم عملکرد مدل‌های چندوجهی در تحلیل احساسات طراحی شده است. هسته اصلی این رویکرد، ترکیب قدرت‌های یادگیری ماشین با قابلیت‌های شناختی انسان از طریق رابط‌های بصری است.

اجزای کلیدی روش‌شناسی M2Lens:

1. معماری سیستم: M2Lens به عنوان یک پل ارتباطی بین مدل‌های پیچیده یادگیری عمیق و درک انسانی عمل می‌کند. این سیستم به گونه‌ای طراحی شده که قابلیت اتصال به مدل‌های مختلف چندوجهی را داشته باشد، بدون اینکه نیاز به تغییرات عمیق در ساختار مدل اصلی باشد. این انعطاف‌پذیری، کاربرد M2Lens را در سناریوهای مختلف گسترش می‌دهد.

2. استخراج و کمی‌سازی تعاملات: یکی از نوآوری‌های اصلی M2Lens، توانایی آن در شناسایی و کمی‌سازی انواع مختلف تعاملات بین وجوه است. این سیستم با استفاده از تکنیک‌های خاص، به تحلیل چگونگی تأثیرگذاری متقابل وجوه (متن، صدا، تصویر) بر پیش‌بینی نهایی احساسات می‌پردازد. این شامل موارد زیر است:

   • تجزیه و تحلیل درون‌وجهی (Intra-modal Analysis): بررسی چگونگی تأثیر ویژگی‌های داخلی هر وجه (مثلاً کلمات کلیدی در متن، فرکانس‌های صوتی در صدا، حالات چهره در تصویر) بر پیش‌بینی.
   • تجزیه و تحلیل بین‌وجهی (Inter-modal Analysis): تمرکز بر روی چگونگی ترکیب و تعامل وجوه مختلف برای رسیدن به یک نتیجه. برای مثال، آیا یک لبخند (تصویری) تقویت‌کننده کلمات مثبت (متنی) است یا آن را تعدیل می‌کند؟

3. مدل‌سازی انواع تعامل: M2Lens فراتر از صرفاً شناسایی تعاملات، سه نوع اصلی تعامل را تعریف و کمی‌سازی می‌کند:

   • تسلط (Dominance): با محاسبه میزان سهم هر وجه در پیش‌بینی نهایی، حتی در حضور وجوه دیگر.
   • تکمیل (Complement): ارزیابی میزان هم‌افزایی و تقویت متقابل وجوه برای رسیدن به یک احساس قوی‌تر.
   • تضاد (Conflict): تشخیص مواقعی که وجوه مختلف اطلاعات متناقضی را ارائه می‌دهند و تحلیل چگونگی حل این تضاد توسط مدل. این امر معمولاً با بررسی تغییر در امتیاز احساسات پس از حذف یا تغییر یک وجه خاص ارزیابی می‌شود.

4. سطوح توضیح: سیستم توضیحات خود را در سه سطح ارائه می‌دهد تا کاربران بتوانند از یک دید کلی به جزئیات خاص دست یابند:

   • نمای کلی (Global View): داشبوردی که رفتار مدل را در کل مجموعه داده‌ها خلاصه می‌کند، مانند میانگین سهم هر وجه یا فراوانی انواع تعاملات.
   • نمای زیرمجموعه (Subset View): ابزارهایی برای فیلتر کردن داده‌ها و مشاهده رفتار مدل برای زیرمجموعه‌های خاص (مثلاً فقط برای پیش‌بینی‌های اشتباه مدل یا برای احساسات خاص).
   • نمای محلی (Local View): توضیحات دقیق و بصری برای یک نمونه ورودی خاص، شامل نمایش بخش‌های مؤثر از هر وجه و چگونگی ترکیب آن‌ها.

5. شناسایی ویژگی‌های تأثیرگذار: M2Lens از الگوریتم‌هایی برای شناسایی ویژگی‌های چندوجهی پرتکرار و تأثیرگذار استفاده می‌کند. این ویژگی‌ها می‌توانند شامل کلمات، عبارات، الگوهای صوتی (مانند لحن صدا، سرعت گفتار) یا الگوهای بصری (مانند حالات چهره، ژست‌ها) باشند که نقش مهمی در پیش‌بینی‌های مدل ایفا می‌کنند.

6. اعتبارسنجی سیستم: روش‌شناسی شامل دو مطالعه موردی جامع بر روی مجموعه داده‌های استاندارد تحلیل احساسات چندوجهی و مصاحبه با متخصصان حوزه یادگیری ماشین و تحلیل احساسات است. این اعتبارسنجی‌ها نشان می‌دهند که M2Lens واقعاً به کاربران کمک می‌کند تا بینش‌های عملی و عمیقی نسبت به مدل‌های خود کسب کنند و فرضیات خود را درباره نحوه کارکرد مدل‌ها تأیید یا رد کنند.

به طور خلاصه، روش‌شناسی M2Lens با تمرکز بر شفافیت، تعامل‌پذیری و دقت در توضیح، یک چارچوب قدرتمند برای درک مدل‌های پیچیده هوش مصنوعی در زمینه تحلیل احساسات چندوجهی فراهم می‌آورد.

یافته‌های کلیدی

نتایج و یافته‌های پژوهش M2Lens به وضوح نشان می‌دهد که یک سیستم تحلیل بصری تعاملی می‌تواند شکاف قابل توجهی را در درک مدل‌های “جعبه سیاه” چندوجهی پر کند. این یافته‌ها نه تنها اثربخشی M2Lens را تأیید می‌کنند، بلکه بینش‌های عمیقی در مورد نحوه عملکرد این مدل‌ها ارائه می‌دهند:

• توانایی درک رفتار مدل در سطوح مختلف:
  M2Lens به کاربران اجازه داد تا رفتار مدل را در سه سطح کلی، زیرمجموعه و محلی بررسی کنند. این قابلیت برای مثال، نشان داد که در سطح کلی، کدام وجه (متن، صدا یا تصویر) بیشترین تأثیر را بر پیش‌بینی‌های مدل دارد. در سطح زیرمجموعه، مشخص شد که مدل برای کلاس‌های احساسی خاص (مثلاً “عصبانیت”) ممکن است وزن بیشتری به حالات چهره بدهد، در حالی که برای “شادی” بیشتر به لحن صدا و متن توجه کند. در سطح محلی، می‌توان نحوه تعامل دقیق کلمات، لحن و حالات چهره برای یک جمله خاص را مشاهده کرد.

• شناسایی و کمی‌سازی دقیق تعاملات بین‌وجهی:
  یکی از مهم‌ترین دستاوردها، توانایی M2Lens در تشخیص و کمی‌سازی تعاملات تسلط، تکمیل و تضاد بود.

  • تسلط (Dominance): مثلاً، در یک نمونه که متن بسیار مثبت بود اما لحن صدا خنثی، M2Lens نشان داد که مدل به “متن” برای پیش‌بینی احساس مثبت تسلط داده است.
  • تکمیل (Complement): در موردی دیگر، مشاهده شد که یک کلمه مثبت در متن (مانند “عالی”) همراه با لحن صدای شاد و لبخند، یکدیگر را تکمیل کرده و منجر به یک پیش‌بینی بسیار قوی از احساس “شادی” شده‌اند.
  • تضاد (Conflict): مثال‌های عملی نشان دادند که M2Lens می‌تواند مواردی را تشخیص دهد که در آن متن مثبت است (“این خوب است”) اما حالات چهره ناراحت یا لحن صدا غمگین است. سیستم نشان می‌دهد که مدل چگونه این تضاد را حل می‌کند؛ آیا به یک وجه وزن بیشتری می‌دهد یا تلاش می‌کند میانگینی از احساسات را بیابد. این امر برای رفع ابهام در پیش‌بینی‌های مدل حیاتی است.

• کشف ویژگی‌های چندوجهی پرتکرار و تأثیرگذار:
  این سیستم توانست ویژگی‌های کلیدی را در هر وجه شناسایی کند که بیشترین تأثیر را بر خروجی مدل داشتند. به عنوان مثال، در وجه متنی، کلماتی مانند “خسته کننده” یا “فوق‌العاده” به عنوان ویژگی‌های با تأثیر بالا مشخص شدند. در وجه صوتی، الگوهای خاصی از بلندی صدا یا سرعت گفتار و در وجه بصری، حالات چهره مانند اخم یا لبخند به عنوان ویژگی‌های مهم برجسته شدند. این بینش به محققان کمک می‌کند تا بخش‌های مهم داده‌ها را که مدل به آن‌ها توجه می‌کند، درک کنند.

• کارایی در شناسایی مشکلات مدل:
  مطالعات موردی و بازخورد متخصصان نشان داد که M2Lens ابزاری مؤثر برای شناسایی سوگیری‌ها و اشکالات در مدل‌های چندوجهی است. به عنوان مثال، اگر مدل به طور مداوم به یک ویژگی بی‌ربط در یک وجه (مثلاً رنگ پس‌زمینه تصویر) وزن زیادی می‌داد، M2Lens می‌توانست این الگو را آشکار سازد، که منجر به بهبود و تنظیم دقیق‌تر مدل می‌شد. این قابلیت برای ساخت مدل‌های هوش مصنوعی قابل اعتماد بسیار ارزشمند است.

• افزایش اعتماد و بینش کاربران:
  مصاحبه با کارشناسان تأیید کرد که M2Lens به آن‌ها کمک کرده تا اعتماد بیشتری به پیش‌بینی‌های مدل پیدا کنند، زیرا اکنون می‌توانند منطق پشت تصمیمات مدل را ببینند. این سیستم بینش‌های جدیدی را در مورد فرآیندهای پیچیده مدل‌سازی چندوجهی فراهم کرد که پیش از این برای آن‌ها پنهان بود.

در نهایت، یافته‌های M2Lens به طور قاطع اثبات می‌کند که با استفاده از ابزارهای تحلیل بصری تعاملی، می‌توان پیچیدگی‌های مدل‌های یادگیری عمیق چندوجهی را رمزگشایی کرد و به درک عمیق‌تر و قابلیت اطمینان بیشتر در حوزه تحلیل احساسات دست یافت.

کاربردها و دستاوردها

سیستم M2Lens با رویکرد نوآورانه خود در تجسم و توضیح مدل‌های چندوجهی تحلیل احساسات، دستاوردها و کاربردهای مهمی را در حوزه‌های مختلف به ارمغان می‌آورد. این دستاوردها نه تنها برای جامعه علمی، بلکه برای توسعه‌دهندگان و کاربران نهایی هوش مصنوعی نیز ارزشمند هستند:

۱. برای محققان و توسعه‌دهندگان مدل:

• درک عمیق‌تر معماری مدل: M2Lens به محققان این امکان را می‌دهد که ببینند چگونه مدل‌های یادگیری عمیق پیچیده، اطلاعات را از وجوه مختلف (متن، صدا، تصویر) پردازش و ترکیب می‌کنند. این بینش می‌تواند به طراحی بهتر و بهینه‌سازی معماری مدل‌ها منجر شود، مثلاً با شناسایی نقاط ضعف در ادغام وجوه یا تقویت وزن‌دهی به وجوهی که تأثیر بیشتری دارند.

• اشکال‌زدایی و رفع سوگیری: یکی از چالش‌های اصلی در توسعه هوش مصنوعی، اشکال‌زدایی (Debugging) و شناسایی سوگیری‌ها (Bias) در مدل‌ها است. M2Lens با شفاف‌سازی روند تصمیم‌گیری مدل، به توسعه‌دهندگان کمک می‌کند تا علل پیش‌بینی‌های نادرست یا غیرمنطقی را کشف کنند. برای مثال، اگر مدل به طور ناخواسته به یک ویژگی بی‌ربط وزن زیادی می‌دهد، این سیستم می‌تواند آن را برجسته کند و امکان اصلاح را فراهم آورد.

• توسعه هوش مصنوعی توضیح‌پذیر (XAI): M2Lens گام مهمی در جهت پیشرفت حوزه XAI برای سناریوهای چندوجهی است. پیش از این، اکثر ابزارهای توضیح‌پذیری بر روی داده‌های تک‌وجهی (مانند تصویر یا متن) متمرکز بودند. این سیستم، چارچوبی را برای توضیح مدل‌هایی که داده‌های پیچیده و متصل را پردازش می‌کنند، فراهم می‌کند.

۲. برای کاربردهای عملی و صنایع:

• افزایش اعتماد کاربران: در صنایع مختلف، اعتماد به سیستم‌های هوش مصنوعی برای اتخاذ تصمیمات حیاتی (مانند تشخیص سلامت روان یا پاسخ به مشتری) ضروری است. M2Lens با ارائه توضیحاتی قابل فهم، به کاربران نهایی اجازه می‌دهد تا منطق پشت پیش‌بینی‌های مدل را درک کنند و در نتیجه، اعتماد به سیستم را افزایش می‌دهد.

• بهبود خدمات مشتری: شرکت‌ها می‌توانند از M2Lens برای تحلیل تعاملات مشتریان (تماس‌های تلفنی، چت‌های ویدئویی) استفاده کنند. درک دقیق اینکه کدام جنبه از گفتار، لحن صدا یا حالات چهره مشتری، احساسات خاصی را نشان می‌دهد، می‌تواند به بهبود واکنش‌دهی پشتیبانی مشتری و ارائه خدمات شخصی‌سازی‌شده‌تر منجر شود.

• نظارت بر شبکه‌های اجتماعی و سلامت روان: در پلتفرم‌های اجتماعی، M2Lens می‌تواند به شناسایی محتوای مضر یا نگران‌کننده کمک کند، به ویژه زمانی که احساسات به صورت پنهان و از طریق چندین وجه بیان می‌شوند. در حوزه سلامت روان، این سیستم می‌تواند به متخصصان کمک کند تا الگوهای احساسی پیچیده را در بیماران شناسایی کرده و مداخله‌های مناسب‌تری را برنامه‌ریزی کنند.

• آموزش و یادگیری: M2Lens می‌تواند به عنوان یک ابزار آموزشی قدرتمند برای دانشجویان و علاقه‌مندان به هوش مصنوعی عمل کند تا مفاهیم پیچیده مدل‌سازی چندوجهی و توضیح‌پذیری مدل‌ها را به صورت عملی و بصری درک کنند.

به طور کلی، M2Lens نه تنها یک دستاورد علمی مهم در حوزه هوش مصنوعی است، بلکه ابزاری عملی را ارائه می‌دهد که می‌تواند به شفافیت، کارایی و مسئولیت‌پذیری بیشتر در کاربردهای هوش مصنوعی چندوجهی در دنیای واقعی کمک کند.

نتیجه‌گیری

در این مقاله، سیستم M2Lens به عنوان یک راه‌حل پیشگامانه برای مقابله با چالش عدم شفافیت در مدل‌های تحلیل احساسات چندوجهی معرفی شد. در حالی که مدل‌های یادگیری عمیق به پیشرفت‌های چشمگیری در این زمینه دست یافته‌اند، ماهیت “جعبه سیاه” آن‌ها مانع بزرگی در درک و اعتمادسازی به پیش‌بینی‌هایشان است. M2Lens با تمرکز بر تجسم و توضیح رفتار مدل در سطوح مختلف، این شکاف حیاتی را پر می‌کند.

دستاورد اصلی M2Lens در قابلیت آن برای ارائه توضیحات جامع در سه سطح (کلی، زیرمجموعه و محلی) نهفته است. این سیستم به کاربران این امکان را می‌دهد تا از یک نگاه کلی به عملکرد مدل تا تحلیل دقیق یک پیش‌بینی واحد، بینش کسب کنند. علاوه بر این، M2Lens با شناسایی و کمی‌سازی سه نوع تعامل مهم بین وجوه (متن، صدا، تصویر) شامل تسلط، تکمیل و تضاد، درک ما را از چگونگی ترکیب اطلاعات توسط مدل‌ها به طرز چشمگیری ارتقاء می‌بخشد.

از طریق دو مطالعه موردی و مصاحبه با متخصصان، اثربخشی M2Lens در کمک به کاربران برای کسب بینش‌های عمیق نسبت به مدل‌های تحلیل احساسات چندوجهی و همچنین شناسایی ویژگی‌های تأثیرگذار در هر وجه، به اثبات رسید. این قابلیت‌ها به محققان و توسعه‌دهندگان اجازه می‌دهد تا نه تنها مدل‌های خود را بهتر درک کنند، بلکه آن‌ها را اشکال‌زدایی کرده، سوگیری‌ها را کاهش دهند و در نهایت، مدل‌های قابل اعتمادتر و کارآمدتری بسازند.

در مجموع، M2Lens یک گام مهم در پیشبرد هوش مصنوعی توضیح‌پذیر (XAI) برای سناریوهای چندوجهی است و ابزاری قدرتمند را برای جامعه علمی و صنعتی فراهم می‌آورد. آینده این حوزه با توسعه ابزارهایی مانند M2Lens روشن‌تر به نظر می‌رسد، زیرا به ما امکان می‌دهد تا نه تنها از قدرت هوش مصنوعی بهره ببریم، بلکه آن را به شیوه‌ای مسئولانه و قابل درک به کار گیریم. کارهای آتی می‌تواند شامل گسترش M2Lens برای توضیح مدل‌های چندوجهی در سایر وظایف هوش مصنوعی و همچنین بهبود جنبه‌های تعاملی و مقیاس‌پذیری سیستم باشد.