Η Επεξηγήσιμη Τεχνητή Νοημοσύνη (Explainable Artificial Intelligence, XAI) είναι το
αποτέλεσμα της ανάγκης που δημιουργήθηκε μέσα από τη ραγδαία ανάπτυξη της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης τις τελευταίες δεκαετίες. Η ολοένα αυξανόμενη χρήση της Τεχνητής Νοημοσύνης και της Μηχανικής Μάθησης σε όλο και περισσότερους τομείς, όπως βιομηχανία, ιατρική, εκπαίδευση, δημιουργεί μεγαλύτερη ανάγκη κατανόησης για το πώς ο εκάστοτε αλγόριθμος κατέληξε στο συγκεκριμένο αποτέλεσμα. Τα μοντέλα “μαύρου κουτιού” δεν δίνουν την ευκαιρία στον τελικό χρήστη να κατανοήσει το λόγο για τον οποίο επέλεξαν την απάντηση που έδωσαν. Λόγω του ότι η απάντηση αυτή μπορεί να αφορά κάτι πολύ σημαντικό, όπως μία ιατρική διάγνωση, ο τελικός χρήστης θέλει να γνωρίζει πώς επιλέχθηκε η συγκεκριμένη απάντηση, για ποιο λόγο, ποια δεδομένα έλαβε υπόψη το μοντέλο κ.λ.π.
Και κάπου εδώ έρχεται η Επεξηγήσιμη Τεχνητή Νοημοσύνη, η οποία μέσα από ένα σύνολο διαδικασιών και μεθόδων προσπαθεί να βοηθήσει τον τελικό χρήστη να  κατανοήσει, να εμπιστευτεί και κατά συνέπεια να εφαρμόσει το αποτέλεσμα που πήρε από την Τεχνητή Νοημοσύνη. Υπάρχουν πολλά μοντέλα και πολλές τεχνικές που χρησιμοποιούνται για να βοηθήσουν στο να γίνουν τα μαύρα κουτιά διάφανα. Τα μοντέλα αυτά κατηγοριοποιούνται, ταξινομούνται και αξιολογούνται. Μέσα σε όλα αυτά υπάρχει φυσικά και η αντίθετη άποψη πως η Επεξηγήσιμη Τεχνητή Νοημοσύνη είναι περιττή, προκαλεί μόνο περισσότερη πολυπλοκότητα και κόστος χωρίς να προσφέρει πραγματικά αξιόλογο και εποικοδομητικό αποτέλεσμα.
Η παρούσα εργασία εξετάζει τη θεωρητική βάση του πεδίου, αναλύει τις διαφορετικές
τεχνικές επεξηγηματικότητας και τους τομείς εφαρμογής της Επεξηγήσιμης Τεχνητής
Νοημοσύνης, με ιδιαίτερη έμφαση σε κρίσιμους τομείς όπως η υγειονομική περίθαλψη και οι μεταφορές. Επίσης, παρουσιάζεται μια μελέτη περίπτωσης σχετικά με τις απαιτήσεις Επεξηγήσιμης Τεχνητής Νοημοσύνης σε έξυπνες διαδικασίες παραγωγής, επισημαίνοντας τα οφέλη και τις προκλήσεις που αντιμετωπίζουν οι οργανισμοί κατά την υιοθέτηση αυτών των τεχνολογιών.

Explainable Artificial Intelligence (XAI) is the result of a need created through the rapid
development of Artificial Intelligence and Machine Learning over the last decades. The
ever-increasing use of AI and Machine Learning in more and more fields, such as industry, medicine, education, creates a greater need to understand how each algorithm came to a particular result. Black box models do not give the end user the opportunity to understand why they chose the answer they gave. Due to the fact that the answer may be about something very important, such as a medical diagnosis, the end user wants to know how that particular answer was chosen, why, what data the model took into account, etc.
And this is where Explainable Artificial Intelligence comes in, which through a set of
processes and methods tries to help the end user to understand, trust and consequently apply the result obtained from the Artificial Intelligence. There are many models and many techniques used to help make black boxes transparent. These models are categorized, classified and evaluated. In the midst of all this there is of course the opposite view that Explainable Artificial Intelligence is unnecessary, only causing more complexity and cost without offering a truly worthwhile and constructive result.
This paper reviews the theoretical basis of the field, analyses the different explanatory
techniques and the areas of application of Explainable Artificial Intelligence, with a
particular focus on critical areas such as healthcare and transportation. It also presents a case study on the requirements of Explainable Artificial Intelligence in smart
manufacturing processes, highlighting the benefits and challenges faced by  organizations in adopting these technologies.