Este estudio presenta el modelo GWO-FNN, una mejora de la arquitectura de la red neuronal difusa (FNN) que tiene como objetivo equilibrar un alto rendimiento con una mejor interpretabilidad en sistemas de inteligencia artificial (IA). El modelo aprovecha el Optimizador del Lobo Gris (GWO) para ajustar finamente los consecuentes de las reglas difusas y utiliza la información mutua (MI) para inicializar los pesos de la capa de entrada, lo que resulta en una mayor precisión de clasificación y transparencia del modelo. Un aspecto distintivo de GWO-FNN es su capacidad para transformar neuronas lógicas en la capa oculta en reglas difusas comprensibles, elucidando así el razonamiento detrás de sus salidas. El rendimiento y la interpretabilidad del modelo fueron evaluados rigurosamente a través de métodos estadísticos, puntos de referencia de interpretabilidad y pruebas de conjuntos de datos del mundo real. Estas evaluaciones demuestran la sólida capacidad del modelo para extraer y expresar claramente patrones intrincados dentro de los datos. Al combinar mecanismos avanzados de reglas difusas con un marco de interpretabilidad integral, GWO-FNN aporta un avance significativo a los enfoques de IA interpretables.