인공지능 및 머신러닝 (AI/ML) 모델이 네트워크 운영의 필수적인 부분이 됨에 따라, 이들의 투명성 부족은 운영자의 신뢰를 구축하는 데 큰 장벽이 되고 있습니다. 기존의 설명 가능한 인공지능 (XAI) 기술은 비전문가를 위한 간극을 메우는 데 종종 실패하며, 실행 가능한 통찰력 (actionable insights)으로 변환하기 어려운 기술적인 결과물을 생성합니다. 본 논문은 이러한 단점을 해결하기 위해 특별히 설계된 프레임워크를 제시합니다. 이 프레임워크는 중간 규모의 거대 언어 모델 (LLM)을 활용하며, SHapley Additive exPlanations (SHAP) 특징 영향력 값의 표준적인 사용 범위를 넘어 확장합니다. 이 프레임워크는 상호 특징 상호작용 (mutual feature interaction) 데이터로 풍부해진 구조화된 프롬프트를 사용하여 인간이 이해할 수 있는 자연어 설명을 생성합니다. 우리 프레임워크를 검증하기 위해, 우리는 인간 평가자를 대상으로 광 전송 품질 (QoT) 추정 유스케이스에 대한 실증적 평가를 수행했습니다. 우리는 전문가들로부터 독립적인 성능 평가를 수집하였으며, 이는 높은 평가자 간 일치도 (inter-evaluator agreement)를 보여주었습니다. 단순한 프롬프트에서 SHAP 특징 영향력 값만을 사용하는 최신 기술 (state-of-the-art) 베이스라인과 비교했을 때, 우리의 접근 방식은 97.5%의 정확도를 달성하는 동시에 설명의 유용성과 범위를 각각 12.2%와 6.2% 향상시켰습니다.