08 Nov
14:30 Defesa de Mestrado Auditório do IC3
Tema
Um arcabouço semi-autonômico para treino de modelos de Machine Learning com enfoque em métricas de Fairness
Aluno
Thales Eduardo Nazatto
Orientador / Docente
Cecília Mary Fischer Rubira - Coorientador: Leonardo Montecchi
Breve resumo
O uso crescente de Machine Learning em soluções digitais criou condições para o diálogo social sobre vieses e discriminações presentes nos dados, e requeriram a criação de novos algoritmos e métricas de Fairness para garantir decisões mais justas. Entretanto, a análise do Cientista de Dados para obter os melhores modelos é mais complexa pela necessidade de equilibrar o aprimoramento das métricas de Fairness com uma possível queda das métricas de avaliação tradicionais, considerando o contexto, e por uma maior variedade de algoritmos que podem ser utilizados isoladamente ou em conjunto durante o treinamento. Este trabalho apresenta uma solução para o treino destes modelos que é operada de forma semi-autônoma para encontrar configurações mais otimizadas em diferentes contextos, através de um módulo com variados algoritmos pré-implementados e a arquitetura MAPE-K para auxiliar na avaliação do equilíbrio ideal. Foram realizados diversos estudos de caso para determinar a viabilidade da solução proposta na resolução destes problemas e se a solução implementada é extensível a futuros algoritmos sem grandes esforços. Diante destes estudos, foi notado que a solução pode auxiliar o Cientista de Dados a ter melhor compreensão do processo de treinamento, possibilitando estudos de Engenharia de Software no auxílio ao treinamento de modelos confiáveis em Machine Learning.
Banca examinadora
Titulares:
Cecília Mary Fischer Rubira IC/UNICAMP
Fabio Kon IME/USP
Marcos Medeiros Raimundo IC/UNICAMP
Suplentes:
Julio Cesar dos Reis IC/UNICAMP
Elisa Yumi Nakagawa ICMC/USP