- Peláez Rodríguez, César|||0000-0003-1260-8112
- Pérez Aracil, Jorge|||0000-0002-4456-9886
- Marina, Cosmin Madalin|||0000-0002-5849-6673
- Prieto Godino, Luis
- Casanova Mateo, Carlos
- Gutiérrez, Pedro Antonio
- Salcedo Sanz, Sancho|||0000-0002-4048-1676
Este artículo presenta un método para proporcionar explicabilidad en la integración de técnicas de inteligencia artificial (IA) y minería de datos aplicadas a la predicción meteorológica. La inteligencia artificial explicable (XAI) se refiere a la transparencia de los sistemas de IA al ofrecer explicaciones sobre sus predicciones y procesos de toma de decisiones, y contribuye a mejorar la precisión de las predicciones y a aumentar la confianza en los sistemas de IA. El enfoque de este trabajo se centra en los desafíos de interpretabilidad en problemas de clasificación ordinal dentro de la predicción del tiempo. La clasificación ordinal implica predecir fenómenos meteorológicos con clases ordenadas, como rangos de temperatura, velocidad del viento, niveles de precipitación, entre otros. Para abordar este reto, se propone un marco de predicción explicable, novedoso y general, que combina reglas inductivas y lógica difusa. Las reglas inductivas, derivadas de datos meteorológicos históricos, proporcionan una base lógica e interpretable para la predicción, mientras que la lógica difusa gestiona la incertidumbre y la imprecisión inherentes a los datos meteorológicos. El sistema predice un conjunto de probabilidades de pertenencia de la muestra entrante a cada una de las clases consideradas. Además, permite reforzar el proceso de toma de decisiones experto al apoyarse en la transparencia y la explicabilidad física del modelo, y no únicamente en la salida de un algoritmo de caja negra. El marco propuesto se evalúa utilizando dos bases de datos meteorológicas reales relacionadas con la velocidad del viento y con eventos de baja visibilidad debidos a la niebla. Los resultados se comparan tanto con clasificadores de aprendizaje automático como con métodos específicos para problemas de clasificación ordinal, obteniéndose resultados muy competitivos en términos de métricas de rendimiento ordinal, a la vez que se ofrece un mayor nivel de explicabilidad y transparencia en comparación con los enfoques existentes., This paper presents a method for providing explainability in the integration of artificial intelligence (AI) and data mining techniques when dealing with meteorological prediction. Explainable artificial intelligence (XAI) refers to the transparency of AI systems in providing explanations for their predictions and decision-making processes, and contribute to improve prediction accuracy and enhance trust in AI systems. The focus of this paper relies on the interpretability challenges in ordinal classification problems within weather forecasting. Ordinal classification involves predicting weather phenomena with ordered classes, such as temperature ranges, wind speed, precipitation levels, and others. To address this challenge, a novel and general explicable forecasting framework, that combines inductive rules and fuzzy logic, is proposed in this work. Inductive rules, derived from historical weather data, provide a logical and interpretable basis for forecasting; while fuzzy logic handles the uncertainty and imprecision in the weather data. The system predicts a set of probabilities that the incoming sample belongs to each considered class. Moreover, it allows the expert decision-making process to be strengthened by relying on the transparency and physical explainability of the model, and not only on the output of a black-box algorithm. The proposed framework is evaluated using two real-world weather databases related to wind speed and low-visibility events due to fog. The results are compared to both ML classifiers and specific methods for ordinal classification problems, achieving very competitive results in terms of ordinal performance metrics while offering a higher level of explainability and transparency compared to existing approaches., European Commission, Agencia Estatal de Investigación