Banca de DEFESA: THIAGO CUNHA MONTENEGRO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: THIAGO CUNHA MONTENEGRO
DATA: 30/08/2024
HORA: 09:00
LOCAL: LIAA/CI/UFPB
TÍTULO: Uma Arquitetura de Referência para Explicabilidade como Serviço na Saúde - H-XAIaaS (Health - eXplainable Artificial Intelligence as a Service)
PALAVRAS-CHAVES: Aprendizagem de Máquina, Explicabilidade, AIaaS, Inteligência Artificial
PÁGINAS: 110
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
RESUMO: Nas últimas décadas, a Inteligência Artificial (AI), por meio das mais recentes técnicas de Aprendizagem de Máquina, tem impactado diversas áreas, especialmente a área da saúde, graças à sua crescente precisão e eficiência. Modelos preditivos de Aprendizagem de Máquina são promissores, mas é fundamental que sejam compreensíveis e explicáveis para os profissionais de saúde, aumentando sua aceitação e confiança. Com o avanço das ferramentas em nuvem, a oferta da IA como serviço (AIaaS) tem crescido, permitindo que organizações e ecossistemas se beneficiem do aprendizado de máquina para compor soluções. Contudo, a facilidade na criação e disponibilidade desses modelos de Aprendizagem de Máquina em nuvem traz à tona questões de transparência e interpretabilidade, principalmente em domínios sensíveis a esses aspectos como o domínio da saúde, que exige integridade e conformidade com princípios éticos e regulatórios. Esta pesquisa propõe uma arquitetura de referência baseada no paradigma AIaaS para construir modelos de aprendizado de máquina em nuvem, integrando explicabilidade para melhorar a tomada de decisões clínicas. A arquitetura H-XAIaaS visa propor uma arquitetura de referência para viabilizar explicabilidade em IA como serviço. Para validar a arquitetura proposta foram implementados dois estudos de caso. O primeiro estudo de caso envolveu dados tabulares e foram usadas as técnicas de explicabilidade LIME, Anchor Rules e Contrafactual. O segundo estudo de caso envolveu dados de imagens e envolveu as técnicas LIME e Grad-CAM. A arquitetura proposta revela-se promissora no contexto de criação de modelos de aprendizado de máquina, e suas explicações no que diz respeito a transparência e interpretabilidade, o que favorece os processos de tomada de decisões clínicas.
MEMBROS DA BANCA:
Presidente - 2636257 - NATASHA CORREIA QUEIROZ LINO
Interno - 1723491 - CLAUIRTON DE ALBUQUERQUE SIEBRA
Externo à Instituição - FERNANDO JOSÉ RIBEIRO SALES