Use este identificador para citar ou linkar para este item: https://repository.ufrpe.br/handle/123456789/5455
Título: Explainable Artificial Intelligence - uma análise dos trade-offs entre desempenho e explicabilidade
Autor: Assis, André Carlos Santos de
Endereco Lattes do autor: http://lattes.cnpq.br/3963132175829207
Orientador: Andrade, Ermeson Carneiro de
Endereco Lattes do orientador : http://lattes.cnpq.br/2466077615273972
Co-orientador : Silva, Douglas Véras e
Endereço Lattes do Co-orientador : http://lattes.cnpq.br/2969243668455081
Palavras-chave: Sistemas de computação;Inteligência artificial;Algoritmos computacionais
Data do documento: 18-Ago-2023
Citação: ASSIS, André Carlos Santos de. Explainable Artificial Intelligence - uma análise dos trade-offs entre desempenho e explicabilidade. 2023. 15 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, 2023.
Abstract: Explainability is essential for users to efficiently understand, trust, and manage computer systems that use artificial intelligence. Thus, as well as assertiveness, understanding how the decision-making process of the models occurred is fundamental. While there are studies that focus on the explainability of artificial intelligence algorithms, it is important to highlight that, as far as we know, none of them have comprehensively analyzed the trade-offs between performance and explainability. In this sense, this research aims to fill this gap by investigating both transparent algorithms, such as Decision Tree and Logistic Regression, and opaque algorithms, such as Random Forest and Support Vector Machine, in order to evaluate the trade-offs between performance and explainability. The results reveal that opaque algorithms have a low explanability and do not perform well regarding response time due to their complexity, but are more assertive. On the other hand, transparent algorithms have a more effective explainability and better performance regarding response time, but in our experiments, we observed that accuracy obtained was lower than the accuracy of opaque models.
Resumo: A explicabilidade é essencial para que os usuários entendam, confiem e gerenciem com eficiência sistemas computacionais que utilizam inteligência artificial. Desta forma, assim como a assertividade, entender como se deu o processo decisório dos modelos é fundamental. Embora existam trabalhos que se concentrem na explicabilidade de algoritmos de inteligência artificial, é importante destacar que, até onde sabemos, nenhum deles analisou os trade-offs entre desempenho e explicabilidade de forma abrangente. Nesse sentido, esta pesquisa tem como objetivo preencher essa lacuna, investigando tanto algoritmos transparentes, como Arvore de Decisão e Regressão Logística, quanto algoritmos opacos, como Floresta Aleatória e Máquina de Vetores de Suporte, a fim de avaliar os trade-offs entre desempenho e explicabilidade. Os resultados revelam que os algoritmos opacos apresentam uma baixa explicabilidade e não têm uma boa performance quanto ao tempo de resposta devido á sua complexidade, contudo são mais assertivos. Em contra partida, os algoritmos transparentes possuem uma explicabilidade mais efetiva e uma melhor performance quanto ao tempo de resposta, porém, em nossos experimentos, observamos que a acurácia obtida foi menor do que a acurácia dos modelos opacos.
URI: https://repository.ufrpe.br/handle/123456789/5455
Aparece nas coleções:TCC - Bacharelado em Sistemas da Informação (Sede)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_art_andrecarlossantosdeassis.pdf358,14 kBAdobe PDFVisualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons