Ця стаття досліджує методи автоматичної генерації зрозумілих людині пояснень для рішень, прийнятих складними мультимодальними генеративними системами ШІ. Вона звертається до критичної потреби в пояснюваному ШІ в програмах, що включають різні типи даних, такі як зображення, текст і аудіо, з метою підвищення прозорості та довіри до результатів, керованих ШІ. Це життєво важливо для розгортання такого передового ШІ в чутливих реальних додатках, де розуміння причинності вихідних даних ШІ є першочерговим.