可解释性助手：用于解释能源消耗模型的对话式 XAI 界面

能源消耗预测依赖于日益复杂的机器学习 (ML) 模型，例如基于遗传编程的符号回归器，其预测对于设施管理者和建筑运营商来说可能难以解释。可解释的人工智能 (XAI) 技术解决了这种不透明性问题，但传统的 XAI 仪表板需要大量的技术专业知识，并且为动态、上下文感知查询提供的灵活性有限。对话式 XAI 系统提供了一个有前途的替代方案；然而，之前的方法（例如 TalkToModel）受到严格的自定义语法的限制，仅实现了 76.8% 的意图解析准确率。本文介绍了可解释性助手，这是一个开源会话式 XAI 系统，它利用现代大型语言模型 (LLM) 的函数调用功能来克服这些限制。该系统实现了 94% 的意图解析准确率，支持灵活的自然语言交互，并且无需针对特定任务进行微调即可适应不同的 ML 问题类型。我们展示了系统的架构，并报告了与能源领域专家进行的比较评估的结果，将可解释性助手与传统的 XAI 仪表板进行了对比。评估表明可用性得到了提高，任务准确性也得到了提高，所有专家一致更喜欢实际使用的对话界面。