ProToMEx stanowi przełom w interpretowalności modeli machine learning, ponieważ zamiast oceniać ważność pojedynczych cech, wydobywa ukryte - tematy reprezentujące różne semantyczne powody decyzji klasyfikacyjnej. Tym sposobem ujawnia złożone, kombinatoryczne wzorce, które tradycyjne metody atrybutacji cech po prostu pomijają.
Nowa metodologia jest całkowicie niezależna od architektury modelu - działa z jakimkolwiek klasyfikatorem bez potrzeby dostępu do jego wewnętrznej struktury. Może generować zarówno globalne wyjaśnienia opisujące ogólne zachowanie systemu, jak i lokalne wyjaśnienia dla konkretnych predykcji, rozplątując przy tym wiele nakładających się przyczyn jednej decyzji. To szczególnie ważne, bo rzeczywiste decyzje modeli rzadko opierają się na jednym powodzie.
W praktycznym teście ProToMEx wykazał się wydajnością porównywalną lub lepszą od SHAP i LIME - popularnych standardów branżowych - jednocześnie osiągając spektakularne przyspieszenie: 30-40 razy mniej czasu obliczeniowego. Taka szybkość czyni metodę realną dla systemów działających w czasie rzeczywistym, gdzie obecne rozwiązania były zbyt wolne. W erze, gdy wyjaśnialność AI staje się wymogiem regulacyjnym i etycznym, ProToMEx pokazuje, że interpretowalne wyjaśnienia nie muszą być luksusem dostępnym tylko dla batch-procesowania danych.