Visual Explainable AI für Zeitreihen macht Deep-Learning-Modelle auf Zeitreihendaten transparenter. Es kombiniert Attributionsmethoden (die hervorheben, welche Teile der Daten Vorhersagen beeinflussen) mit Kontrafaktischen (Was-wäre-wenn-Szenarien, die Ergebnisse verändern). Das Projekt umfasst die Extraktion, Auswertung und Kommunikation von Erklärungen aus Zeitreihenmodellen, unterstützt durch interaktive visuelle Werkzeuge wie ICFTS und DAVOTS. Über einfache Heatmaps hinausgehend bietet es klarere, handlungsorientierte Einblicke – und überbrückt damit die Komplexität von KI und menschlichem Verständnis.