특성 상호작용(Feature interactions)은 머신러닝 모델 예측력의 상당 부분을 주도하지만, 기존의 설명 방법들은 상호작용의 기능적 형태(functional form)를 밝히지 못한 채 상호작용을 탐지하고 정량화하는 데 그치거나, 제한된 유형의 상호작용만을 시각화합니다. 우리는 블랙박스 모델의 국소 효과(local effects)에 적합된 해석 가능한 일반화 가법 모델 (GAM, Generalized Additive Model) 대리 모델을 통해 쌍별 상호작용(pairwise interactions)을 분석하는 모델 불가지론적 (model-agnostic) 프레임워크인 SAILS (Surrogate-based Analysis of Interactions via Local effect Smooths)를 제안합니다. 관심 특성의 각 구간에 대해, 대리 모델의 평활 항(smooth terms)은 미분 수준에서 상호작용 구성 요소를 분리하며, 이를 통해 (i) 평활 항에 대한 유의성 검정에서 유도된 휴리스틱을 통한 상호작용 탐지, (ii) 선형(linear), 곱 분리형(product-separable), 비곱 분리형(non-product-separable) 유형으로의 상호작용 형태 분류, (iii) 각 상호작용 유형에 맞춤화된 해석 가능한 시각화를 가능하게 합니다. 우리는 통제된 시뮬레이션과 실제 과업을 통해 이 프레임워크를 경험적으로 검증하였으며, 쌍별 상호작용에 대한 효과를 입증하는 동시에 강한 특성 상관관계 및 고차 상호작용 (higher-order interactions) 하에서의 한계를 보여주었습니다. SAILS는 상호작용의 탐지를 넘어 그 기능적 형태를 규명함으로써 XAI (Explainable AI) 도구 상자의 주목할 만한 공백을 메웁니다.