• BoCSoR (Boundary Crossing Solo Ratio)
• Counterfactual Explanations
• DiCE (Diverse Counterfactual Explanations)
• feature importance
• Industry 4.0
• Neural Networks
• XAI

L'intelligenza artificiale sta rivoluzionando il modo in cui le aziende operano, migliorano e distribuiscono i loro prodotti nell'ambito dell'Industria 4.0. L'utilizzo dell'AI nel settore industriale porta con sé molti vantaggi, come l'aumento dell'efficienza operativa, la riduzione dei costi e il miglioramento della qualità dei prodotti. Tuttavia, la complessità intrinseca delle reti neurali ha portato a considerare l'AI come una "scatola nera", in quanto risulta complesso tracciare il processo decisionale dell'algoritmo o identificare quali specifiche caratteristiche dei dati influenzano l'output. Ciò rappresenta un problema significativo, dato che i metodi di apprendimento automatico devono essere in grado di spiegare il proprio ragionamento per consentire ai professionisti di validare e fidarsi delle loro previsioni, utilizzandole poi nei processi decisionali reali.
La soluzione a queste sfide è Explainable AI (XAI), che mira a rendere questi sistemi  più chiari e comprensibili, cosi da costruire un legame di fiducia tra l'utente e l'AI nelle applicazioni reali.
In questo studio viene presentato BoCSoR Random (Boundary Crossing Solo Ratio), una versione alternativa del framework BoCSoR, che mira a superare la difficoltà della versione originale, nella generazione di un numero elevato di controfattuali che poteva portare all’identificazione di un numero limitato di caratteristiche significative. Per ovviare a questo problema, BoCSoR Random introduce un metodo per selezionare casualmente e accoppiare sample classificati correttamente nella classe originale, con sample appartenenti a classi differenti. Questo approccio non solo riduce il carico computazionale evitando il calcolo della matrice delle distanze, ma ottiene anche un volume maggiore di controfattuali, potenziando l'analisi sull'importanza delle caratteristiche del modello.
L'elaborato si dedica all'analisi comparativa, dei risultati ottenuti in problemi di regressione e classificazione, attraverso l'impiego di BoCSoR Random e alcune sue versioni, confrontando poi i risultati con quelli forniti da DiCE, uno dei framework XAI più consolidati e utilizzati.
Le sperimentazioni sono state condotte su dati reali forniti dall’azienda Perini, specializzata nella progettazione e produzione di carta, attraverso due dataset relativi alla qualità di produzione. Le analisi, hanno evidenziato che BoCSoR è un metodo affidabile che produce risultati in linea sia con le valutazioni fatte da specialisti del settore, sia con le conclusioni ottenute mediante metodologie consolidate per la stima dell'importanza delle caratteristiche.
In aggiunta, BoCSoR e le sue varianti hanno dimostrato di essere meno gravosi in termini di tempi computazionali rispetto al metodo DiCE. Tali qualità pongono BoCSoR come una soluzione promettente per applicazioni industriali reali, data la sua efficienza ed efficacia.