কেন এক্সপ্লেইনেবিলিটি একটি UX সমস্যা, শুধু টেকনিক্যাল নয়

১ · টেকনিক্যালি সঠিক ≠ ব্যবহারযোগ্য

একটি AI মডেলের সিদ্ধান্তের পেছনের কারণ বের করা একটি টেকনিক্যাল সমস্যা — এর জন্য SHAP, LIME, অ্যাটেনশন-ওয়েট, ডিসিশন-ট্রি পাথের মতো কৌশল ব্যবহার করা হয় (এই কৌশলগুলোর গভীর প্রযুক্তিগত আলোচনা AI Ethics কোর্সে আছে)। কিন্তু সেই সঠিক ব্যাখ্যাটি একজন প্রকৃত ব্যবহারকারীর কাছে কার্যকরভাবে পৌঁছানো — সে ঠিক সময়ে, ঠিক ভাষায়, ঠিক পরিমাণ তথ্য দিয়ে তা বুঝতে পারা — সেটি একটি সম্পূর্ণ ভিন্ন সমস্যা: একটি UX সমস্যাUX সমস্যাযে সমস্যাটি মডেলের ভেতরের গণনার সঠিকতার সাথে সম্পর্কিত নয়, বরং একজন প্রকৃত ব্যবহারকারী সেই তথ্যের সাথে কীভাবে মিথস্ক্রিয়া করে, বোঝে এবং ব্যবহার করে তার সাথে সম্পর্কিত।। একটি মডেল ৯৯.৯% নিখুঁত SHAP মান গণনা করতে পারে, অথচ সেই মানটি ব্যবহারকারীর সামনে যেভাবে উপস্থাপন করা হয় তা যদি ভুল হয়, পুরো এক্সপ্লেনেশন-প্রচেষ্টাটাই বিফলে যায়।

২ · চারটি সাধারণ ব্যর্থতার ধরন

৩ · একটি সত্যিকারের উদাহরণ — প্রসঙ্গ অনুযায়ী একই ব্যাখ্যা সফল বা ব্যর্থ

ধরা যাক একজন ব্যবহারকারীর ঋণ আবেদন প্রত্যাখ্যাত হয়েছে, এবং সিস্টেমের কাছে একই সিদ্ধান্তের দুটি ভিন্ন ব্যাখ্যা আছে — একটি টেকনিক্যাল (SHAP-স্টাইল), একটি সহজ ভাষায়। নিচের কোডে দেখা যাক এই দুটি ব্যাখ্যা দুটি ভিন্ন UI প্রেক্ষাপটে (একটি দ্রুত নোটিফিকেশন ব্যানার, যেখানে মাত্র কয়েক সেকেন্ড সময় থাকে; আর একটি ডেডিকেটেড রিভিউ পেজ, যেখানে অনেক বেশি সময় থাকে) কেমন করে।

technical_words = ["এই", "মডেলের", "সিদ্ধান্তটি", "মূলত", "এনসেম্বল", "ট্রি-র", "মধ্যে", "ফিচার",
                    "ডেট-টু-ইনকাম-রেশিওর", "SHAP", "মান", "এবং", "ফিচার", "ক্রেডিট-হিস্টোরি-লেংথের",
                    "সাথে", "তার", "ইন্টারঅ্যাকশন", "টার্মের", "সম্মিলিত", "প্রভাবের", "উপর", "ভিত্তি",
                    "করে", "নির্ধারিত", "হয়েছে।"]
plain_words = ["আপনার", "ঋণ-আয়", "অনুপাত", "বেশি", "হওয়ায়", "আবেদনটি", "প্রত্যাখ্যাত", "হয়েছে।"]

technical_explanation = " ".join(technical_words)
plain_explanation = " ".join(plain_words)

reading_speed_wps = 3.0  # ধরে নেওয়া হয়েছে গড়ে সেকেন্ডে ৩টি শব্দ পড়া যায় (শুধু উদাহরণের জন্য একটি অনুমান)

contexts = [
    ("দ্রুত নোটিফিকেশন ব্যানার", 3),
    ("ডেডিকেটেড রিভিউ পেজ", 15),
]

explanations = [
    ("টেকনিক্যাল (SHAP-স্টাইল)", technical_explanation),
    ("সহজ ভাষা", plain_explanation),
]

for exp_name, exp_text in explanations:
    word_count = len(exp_text.split())
    read_time = word_count / reading_speed_wps
    print(f"{exp_name}: {word_count} শব্দ, পড়তে লাগবে ~{read_time:.1f} সেকেন্ড")
    for ctx_name, budget in contexts:
        fits = "ফিট করে" if read_time <= budget else "ফিট করে না -- UX ব্যর্থতা"
        print(f"  -> {ctx_name} (বাজেট {budget}s): {fits}")
    print()

৪ · কেন এটি শুধু টেকনিক্যাল টিমের দায়িত্ব নয়

যেহেতু এক্সপ্লেইনেবিলিটির ব্যর্থতাগুলো ভাষা, সময়, প্রসঙ্গ ও কার্যকারিতার সমস্যা — এগুলো সমাধান করতে হলে UX ডিজাইনার, কনটেন্ট রাইটার এবং প্রোডাক্ট টিমকেও ML ইঞ্জিনিয়ারের পাশাপাশি কাজ করতে হয়। শুধু একটি নির্ভুল SHAP মান তৈরি করাই যথেষ্ট নয় — সেই মানকে কখন, কীভাবে, কার জন্য দেখানো হবে তা ডিজাইন করাটাই আসল কাজ। বাকি এই মডিউল (M4) জুড়ে আমরা দেখব: এক্সপ্লেনেশনের বিভিন্ন ধরন (L15), কনফিডেন্স/আনসার্টেইনটি কমিউনিকেশন (L16), প্রোগ্রেসিভ ডিসক্লোজার (L17), এবং ব্যবহারকারীদের সাথে এক্সপ্লেনেশনের গুণমান যাচাই করা (L18)।