FAS-XAI: Una metodología integrada para la toma de decisiones explicable en contextos complejos

Clustering difuso de galaxias aplicando la metodología FAS-XAI. Se observa cómo los clústeres latentes revelan estructuras complejas invisibles a simple vista, interpretadas posteriormente mediante técnicas XAI.

Introducción

En un mundo donde los algoritmos toman decisiones que afectan a personas, empresas y sistemas críticos, la necesidad de explicabilidad y coherencia metodológica se vuelve esencial. En este contexto, surge FAS-XAI, un framework que unifica:

• Aprendizaje supervisado.

• Clustering difuso.

• Técnicas de Interpretabilidad (XAI).

• Toma de decisiones estratégicas con AHP o Fuzzy AHP.

¿Qué significa FAS-XAI?

FAS-XAI es el acrónimo de:

• Fuzzy logic for uncertainty modeling

• AHP (Analytic Hierarchy Process) for expert prioritization

• Scoring for strategic decisions

• XAI (Explainable AI) for interpretability

Este modelo ha sido concebido para cubrir todo el ciclo de análisis de datos cuando:

• Existen criterios múltiples y subjetivos.

• Es necesario segmentar perfiles o situaciones.

• Se requiere una predicción confiable.

• Se desea justificar cada decisión de forma transparente.

Fases de la metodología

Fase	Objetivo	Técnicas
1. Preprocesamiento	Preparar los datos para modelado	Normalización, PCA, selección de atributos
2. Predicción	Clasificar o estimar una variable clave	Modelos supervisados (RandomForest, XGBoost, etc.)
3. Clustering	Detectar perfiles latentes	Fuzzy C-Means, KMeans
4. Interpretabilidad	Explicar el modelo y los perfiles	SHAP, LIME, PDP, ICE
5. Decisión estratégica	Asignar prioridad a perfiles o casos	AHP, Fuzzy AHP, lógica 2-tupla

Aplicaciones reales

A lo largo de los últimos años, el enfoque FAS-XAI ha sido aplicado y validado en una diversidad de dominios y en más de 20 publicaciones, consolidando su carácter transversal, explicativo y orientado a la decisión. Algunos ejemplos destacados incluyen:

• Educación: Identificación de perfiles de riesgo cognitivo y análisis del uso reflexivo de la IA por parte de estudiantes mediante modelos difusos explicables.

• Industria: Predicción de defectos de fabricación con modelos explicables (SHAP, LIME) y análisis cuantitativo comparado de técnicas XAI.

• Recursos Humanos: Clasificación y priorización de riesgo de abandono laboral combinando XAI, AHP y clustering difuso.

• Astronomía: Clasificación robusta de galaxias del proyecto Galaxy Zoo mediante Fuzzy C-Means e interpretación con XAI.

• Física cuántica: Agrupación de estados de entrelazamiento cuántico y análisis de ruido estructural con FCM-XAI.

• Turismo y Smart Cities: Segmentación difusa de turistas digitales y análisis explicable del uso de servicios personalizados.

• Procesamiento del lenguaje natural: Análisis de foros educativos, identificación de términos económicos, y extracción interpretada con PLN y XAI.

• Atención al cliente y segmentación comercial:

  • Aplicación del modelo RFM para evaluar comportamientos de clientes en e-commerce y servicios.

  • Clasificación de perfiles con Fuzzy C-Means y modelado de abandono.

  • Priorización de campañas y estrategias de retención mediante scoring AHP y explicabilidad basada en SHAP.

  
  

¿Por qué FAS-XAI marca la diferencia?

A diferencia de enfoques parciales (solo clustering, solo predicción o solo explicabilidad), FAS-XAI ofrece una visión sistémica y coherente que:

• Integra modelos humanos y algorítmicos.

• Justifica decisiones ante personas no expertas.

• Se adapta a entornos sensibles o de alta incertidumbre.

• Es replicable, escalable y científicamente fundamentado.