Badacze z arXiv zaprezentowali SemantiClean, modułowy system do analizy danych sesji e-commerce, który stawiają przejrzystość na równi z dokładnością. Zamiast budować czarną skrzynię optymalizowaną wyłącznie pod kątem precyzji, framework jawnie wymieniają marginalny wzrost wydajności na możliwość wyjaśnienia każdej decyzji — co ma ogromne znaczenie w praktycznych zastosowaniach.
System opiera się na zbiorze danych Online Shoppers Purchasing Intention i organizuje 24 elementy behawioralne w czterowarstwową architekturę: Functional (funkcjonalne), Interaction (interakcyjne), Systemic (systemowe) i Contextual (kontekstowe). Aby zapobiec zniekształceniom i redundancji, autorzy wbudowali trzy mechanizmy ochronne: limity wkładu grup redundancji, kary za bias w kalkulatorze warstwowym i ochronę dla zimnych startów modelu. Framework integruje się też z modelami językowymi (LLM) do fazowego procesu wnioskowania, przy czym deterministyczne wyniki są w pełni powtarzalne.
To podejście ma znaczenie dla handelowców i regulatorów — pozwala uzasadnić decyzje dotyczące intencji zakupu czy segmentacji klientów, zamiast polega na wewnętrznych wzorcach trudnych do wyjaśnienia. W czasach rosnących wymagań dotyczących przejrzystości AI, taki framework może stać się standardem w systemach decyzyjnych działających bezpośrednio na użytkownikach.