根据给定的搜索结果，提高AI可解释性技术的方法包括：
1.建模前的可解释性方法：通过数据预处理和数据展示的方法，帮助我们迅速而全面地了解数据分布的特征。
2.建立本身具备可解释性的模型：如基于规则的模型（决策树模型）、基于统计的模型（线性回归模型、逻辑回归模型等）和基于实例的方法（通过代表性的样本来解释聚类/分类结果）。
3.使用可解释性工具和技术：例如LIME（Local
Interpretable
ModelAgnostic
Explanations）和SHAP（SHapley
Additive
exPlanations），这些工具可以帮助我们理解模型的预测结果和特征的重要性。
4.结合概率分布预测和解释性AI技术：如京东所采用的基于概率分布预测以及解释性AI的弹性计划技术，通过这种方式可以解决面对外部确定性、市场快速变化等问题，为供应链提供可信赖的决策支撑。
请注意，这些方法并非万能的，具体应用需要根据实际问题和场景进行选择和调整。
