DCCMAPI/CCET

Uma banca de PROPOSTA DE TESE/DISSERTAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: HELCIO DE ABREU SOARES
DATA: 11/10/2024
HORA: 09:00
LOCAL: Sala virtual do GoogleMeet
TÍTULO: Detecção de Correlações Espúrias em descrições de objetos de Licitações/Contratações Públicas com IA Explicável e Aprendizado Não Supervisionado
PALAVRAS-CHAVES: PLN; XAI; Classificação binária; Padrões espúrios
PÁGINAS: 73
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO: Apesar dos avanços na Inteligência Artificial (IA), modelos baseados em Machine Learning e Deep Learning ainda são considerados “caixas pretas”, devido à falta de transparência e explicabilidade intrínsecas, o que gera incertezas sobre como eles chegam a decisões específicas. Este trabalho aborda o problema das correlações espúrias, que são associações entre padrões e classes que não refletem verdadeiras relações causais e comprometem a confiabilidade e aplicabilidade dos modelos de IA. No Processamento de Linguagem Natural (PLN), essas correlações causam previsões imprecisas, viés e falhas na generalização. Propõe-se um Pipeline que emprega Inteligência Artificial Explicável (XAI) para detectar padrões espúrios em conjuntos de dados textuais, focados em tarefas de classificação binária. O Pipeline usa aprendizagem não supervisionada para agrupar padrões em clusters lógicos e interpretáveis, com o objetivo de aumentar a confiabilidade e a aplicabilidade dos resultados em contextos reais. A proposta fundamenta-se na influência dos artefatos de dados e confundidores sobre os explicadores e que esses padrões são causas de erros de previsão nos modelos. Aplicamos a metodologia em duas bases de dados relacionadas a editais de licitações e contratos do Tribunal de Contas do Estado do Piauí (TCE-PI), com modelos baseados em Machine Learning e Deep Learning. Os resultados demonstram que os agrupamentos são consistentes e revelam particularidades de cada modelo e das bases de dados avaliadas, além disso, fornece um suporte para a aplicação de técnicas de mitigação de correlações espúrias. As principais contribuições incluem o desenvolvimento de um Pipeline compatível com modelos que permitem a utilização de explicadores sobre si, a habilidade de identificar padrões potencialmente espúrios sem a intervenção humana, oferecer uma graduação de espuriedade desses padrões, além de agrupá-los de forma lógica e interpretável, o que melhora qualidade da base de dados e a eficácia das decisões nos modelos testados
MEMBROS DA BANCA:
Presidente - 641.754.563-68 - RODRIGO DE MELO SOUZA VERAS
Interno - 407686 - ANSELMO CARDOSO DE PAIVA
Interno - 751.764.243-04 - VINICIUS PONTE MACHADO
Externo à Instituição - AJALMAR REGO DA ROCHA NETO - IFCE
Externo à Instituição - GUSTAVO PAIVA GUEDES E SILVA - IFRJ
Externo à Instituição - RAIMUNDO SANTOS MOURA - UFPI