Naukowcy opracowali nową metodę wyjaśnialnej sztucznej inteligencji o nazwie Hoeffding Concept Bottleneck Models, która zmienia sposób, w jaki głębokie sieci neuronowe uzasadniają swoje decyzje. Zamiast tradycyjnego liniowego łączenia pojęć (konceptów) rozpoznawanych przez model, HCBM stosuje bardziej zaawansowane podejście oparte na dekompozycji Hoeffdinga. To proste w słowach wyjaśnienie: nowy model potrafi powiedzieć nie tylko, że obiekt to samochód, ale też wyjaśnić, jakie cechy (kształt, rozmiar, kolory) doprowadziły do tej decyzji, i robi to w bardziej niezawodny sposób niż poprzednie rozwiązania.
Dotychczasowe modele typu CBM polegały na dodawaniu wyników poszczególnych konceptów w prosty, liniowy sposób. Problem w tym, że wymagało to użycia wielu konceptów jednocześnie, co nie tylko utrudniało zrozumienie, ale też pozwalało informacjom "przeciekać" między nimi, obniżając niezawodność. HCBM rozwiązuje to, pracując z mniejszą liczbą pojęć, które są ze sobą powiązane w bardziej złożony, ale logiczny sposób. Badania pokazały, że metoda osiąga lepsze wyniki w praktyce i jest odporna na typowe błędy związane z wyciekiem informacji między konceptami.
Praktyczne zastosowanie podejścia pokazano na przykładzie analizy zdjęć satelitarnych i dronów, gdzie model musiał lokalnie wykrywać obiekty na terenie. To nie jest przypadkowe, bo właśnie w takich scenariuszach, gdzie decyzje mają wysoką stawkę (na przykład monitorowanie terytorialne czy bezpieczeństwo), trzeba móc wyjaśnić, na czym opiera się predykcja. HCBM otwiera drogę do bardziej przejrzystych systemów wizyjnych, które zarazem działają dokładniej i lepiej komunikują swoją logikę decyzyjną.