عندما واجه مطور مشكلة في نظام كشف الاحتيال، أدرك أن استخدام أدوات التفسير الخارجية مثل SHAP يتسبب في تأخير غير مقبول وعدم اتساق في النتائج، مما يجعلها غير صالحة للاستخدام في الوقت الفعلي. استجلب لهذا التحدي، صمم نموذجاً يدمج بين التعلم العصبي والقواعد الرمزية (Neuro-Symbolic) ليكون الشرح جزءاً لا يتجزأ من بنية النموذج وليس خطوة لاحقة. يتميز هذا النموذج الجديد بقدرته على إنتاج تفسيرات فورية وثابتة بنفس سرعة اتخاذ القرار. في المقابل، يتطلب نموذج SHAP التقليدي، الذي يعتمد على تقريبات إحصائية معقدة، حوالي 30 ملي ثانية لكل معاملة، مما يجعله بطيئاً للغاية للمعاملات الحساسة زمنياً. أما النموذج الجديد فينفذ المهمة في أقل من ملي ثانية واحدة، أي أسرع بـ 33 ضعفاً. الأهم من السرعة، أن النموذج الجديد يعطي نفس التفسير تماماً في كل مرة لنفس المعاملة، بينما تتقلب قيم SHAP بشكل عشوائي عند إعادة التشغيل، وهو أمر غير مقبول في البيئات التي تخضع للرقابة والمحاسبة. استندت التجربة إلى مجموعة بيانات كاجل الشهيرة لعمليات الاحتيال الائتمانية، التي تحتوي على مئات الآلاف من المعاملات الحقيقية. قارن الباحث بين نموذج شبكات عصبية تقليدية ونموذج النموذج العصبي الرمزي الجديد. أظهرت النتائج أن النموذج الجديد حقق دقة متقاربة جداً مع النموذج التقليدي من حيث القدرة على اكتشاف حالات الاحتيال، مع فرق طفيف جداً في الدقة يميل لصالح النموذج التقليدي. ومع ذلك، فإن التكلفة المدفوعة هي ضئيلة جداً بالمقارنة مع الميزة الهائلة المتمثلة في القدرة على شرح كل قرار فور وقوعه. كشفت التحليلات أن النموذج تعلم قواعد منطقية محددة من البيانات، مثل اكتشاف المعاملات ذات القيمة العالية أو القيم المنخفضة في مؤشرات معينة. surprisingly، وجد الباحث أن أحد القواعد (المتعلقة بالمعلم V4) يهيمن بشكل كبير على عملية الاستدلال الرمزي، حيث استحوذ على أكثر من نصف الوزن الرمزي، مما يشير إلى أن النموذج قد اعتمد على سمة واحدة بشكل كبير بدلاً من تجميع عدة مؤشرات بالتساوي. هذا الاكتشاف سلط الضوء على ضرورة استخدام تقنيات تنظيم إضافية في المستقبل لضمان توزيع متوازن للوزن بين القواعد المختلفة لتعزيز قوة الشرح. تعتبر هذه التجربة خطوة مهمة نحو جعل الذكاء الاصطناعي القابل للشرح (XAI) قابلاً للتطبيق في الأنظمة الحية مثل أنظمة مكافحة الغش، حيث تتطلب اللوائح والقوانين تفسيرات فورية وموثوقة. في حين تظل أدوات مثل SHAP مفيدة لتحليل النماذج في مراحل التطوير، إلا أن البنية الهندسية الجديدة التي يقدمها النموذج العصبي الرمزي هي الحل الوحيد الذي يجمع بين الدقة والسرعة والشفافية في الوقت الفعلي. الكود المصدري والنتائج متاحة بالكامل للتدقيق وإعادة الإنتاج.