Inteligencia artificial explicable: análisis de metodologías y aplicaciones

La falta de transparencia y explicabilidad en los modelos de machine learning, conocidos como "caja negra", representa un desafío que afecta la confianza y la toma de decisiones en aplicaciones críticas, como la medicina, las finanzas y la seguridad. Este estudio explora la necesidad de me...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Pezzini, María Cecilia
Otros Autores:	Pons, Claudia Fabiana
Formato:	Tesis Trabajo de especializacion
Lenguaje:	Español
Publicado:	2024
Materias:	Informática Inteligencia artificial explicabilidad machine learning aprendizaje automático
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/174328
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-174328
record_format	dspace
spelling	I19-R120-10915-1743282024-12-06T04:18:22Z http://sedici.unlp.edu.ar/handle/10915/174328 Inteligencia artificial explicable: análisis de metodologías y aplicaciones Pezzini, María Cecilia 2024-09-06 2024 2024-12-02T13:56:11Z Pons, Claudia Fabiana es Informática Inteligencia artificial explicabilidad machine learning aprendizaje automático La falta de transparencia y explicabilidad en los modelos de machine learning, conocidos como "caja negra", representa un desafío que afecta la confianza y la toma de decisiones en aplicaciones críticas, como la medicina, las finanzas y la seguridad. Este estudio explora la necesidad de mejorar la explicabilidad en estos sistemas, evaluando avances recientes en técnicas y comparándolos con enfoques anteriores, tanto en términos teóricos como prácticos. A través de una revisión de la literatura, se identificaron y analizaron metodologías actuales, clasificando y evaluando su efectividad y aplicaciones. Los hallazgos destacan la relevancia de técnicas como LIME (Local Interpretable Model-agnostic Explanations), SHAP (SHapley Additive exPlanations) y enfoques innovadores como SAMCNet y métodos basados en entropía por su capacidad para ofrecer explicaciones más comprensibles. Persisten desafíos importantes, como el desarrollo de técnicas de xAI (Inteligencia Artificial Explicable) agnósticas al modelo y generalizables a diversos contextos, lo cual subraya la importancia de continuar investigando para mejorar la transparencia y la confianza en la IA. Especialista en Ingeniería de Software Universidad Nacional de La Plata Facultad de Informática Tesis Trabajo de especializacion http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Informática Inteligencia artificial explicabilidad machine learning aprendizaje automático
spellingShingle	Informática Inteligencia artificial explicabilidad machine learning aprendizaje automático Pezzini, María Cecilia Inteligencia artificial explicable: análisis de metodologías y aplicaciones
topic_facet	Informática Inteligencia artificial explicabilidad machine learning aprendizaje automático
description	La falta de transparencia y explicabilidad en los modelos de machine learning, conocidos como "caja negra", representa un desafío que afecta la confianza y la toma de decisiones en aplicaciones críticas, como la medicina, las finanzas y la seguridad. Este estudio explora la necesidad de mejorar la explicabilidad en estos sistemas, evaluando avances recientes en técnicas y comparándolos con enfoques anteriores, tanto en términos teóricos como prácticos. A través de una revisión de la literatura, se identificaron y analizaron metodologías actuales, clasificando y evaluando su efectividad y aplicaciones. Los hallazgos destacan la relevancia de técnicas como LIME (Local Interpretable Model-agnostic Explanations), SHAP (SHapley Additive exPlanations) y enfoques innovadores como SAMCNet y métodos basados en entropía por su capacidad para ofrecer explicaciones más comprensibles. Persisten desafíos importantes, como el desarrollo de técnicas de xAI (Inteligencia Artificial Explicable) agnósticas al modelo y generalizables a diversos contextos, lo cual subraya la importancia de continuar investigando para mejorar la transparencia y la confianza en la IA.
author2	Pons, Claudia Fabiana
author_facet	Pons, Claudia Fabiana Pezzini, María Cecilia
format	Tesis Trabajo de especializacion
author	Pezzini, María Cecilia
author_sort	Pezzini, María Cecilia
title	Inteligencia artificial explicable: análisis de metodologías y aplicaciones
title_short	Inteligencia artificial explicable: análisis de metodologías y aplicaciones
title_full	Inteligencia artificial explicable: análisis de metodologías y aplicaciones
title_fullStr	Inteligencia artificial explicable: análisis de metodologías y aplicaciones
title_full_unstemmed	Inteligencia artificial explicable: análisis de metodologías y aplicaciones
title_sort	inteligencia artificial explicable: análisis de metodologías y aplicaciones
publishDate	2024
url	http://sedici.unlp.edu.ar/handle/10915/174328
work_keys_str_mv	AT pezzinimariacecilia inteligenciaartificialexplicableanalisisdemetodologiasyaplicaciones
_version_	1841492884464861184

Inteligencia artificial explicable: análisis de metodologías y aplicaciones

Ejemplares similares