Year: 2024
Type: dissertation
Abstract: Ao longo dos últimos anos, a aplicação de modelos de Machine Learning (ML) tem desempenhado um papel fundamental na nossa sociedade, ajudando a obter conhecimentos sobre grandes quantidades de dados. No entanto, existe uma preocupação quanto à clareza da forma como estes modelos chegam às suas conclusões. Por outras palavras, existe uma ”blackbox”sobre a forma como estes modelos chegam às suas conclusões, quer sejam problemas de classificação ou de regressão. Atualmente, a explicabilidade tornou-se uma peça fundamental no desenvolvimento e aplicação de modelos de previsão para séries temporais. Em contextos onde a tomada de decisões é sensível, requerem fundamentação sólida e os dados são maioritariamente séries temporais, modelos com explicabilidade oferecem vantagens significativas. A transparência nas previsões não só ajuda a identificar possíveis falhas, mas também facilita a adoção desses modelos em ambientes críticos, promovendo uma integração mais eficaz da Inteligência Artificial (IA) no dia a dia. Deste modo, esta dissertação visa a implementação de técnicas de explicabilidade num modelo LongShort Term Memory (LSTM), com o objetivo de aumentar a interpretabilidade deste modelo de blackbox. Os dados utilizados para treinar o modelo, e efetuar o estudo da explicabilidade, são relativos a emissões de vários poluentes na cidade do Porto. Desta forma, cada feature é uma série temporal que contribui para prever as próximas 24 horas do Dióxido de Nitrogénio (NO2). O modelo foi treinado inicialmente sozinho e depois foi inserida uma camada de attention no início. Desta forma, foi possível extrair explicabilidade ante-hoc da camada de attention e ainda aplicar estratégias post-hoc, como o Shapley Additive Explanations (SHAP) e feature permutation, ao modelo com e sem attention. Através dos resultados obtidos, é possível perceber que o modelo foi capaz de identificar dependências temporais e relações não lineares nos dados que foram cruciais para o ”raciocínio”e tomada de decisão destes. Estas relações apenas foram possíveis de observar graças aos métodos de explicabilidade implementados, que, pela sua diversidade e convergência nos resultados, transmitem segurança e confiança na sua veracidade.
Author: Franco, Francisco Correia
Institution: University of Minho
Language: Portuguese
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7057123500
