Aprendizado de Máquina

Wrap up

Prof. Ronaldo Cristiano Prati

ronaldo.prati@ufabc.edu.br

Bloco A, sala 513-2

Tópicos não abordados

Tópicos não abordados

  • Aprendizado bayesiano
    • modelos gráficos
    • redes bayesianas
    • Gaussian process

Tópicos não abordados

  • Aprendizado simbólico
    • Árvores de decisão (decision trees)
    • Regras

Tópicos não abordados

  • Aprendizado evolutivo
    • Algoritmos Genéticos
    • Programação Genética

Tópicos não abordados

  • Teoria do aprendizado
    • Dimensão VC
    • PAC-learning

Tópicos não abordados

  • Aprendizado por reforço
    • Iteração de valor
    • Q-learning

Tópicos não abordados (RNAs)

  • Text Embeddings
  • Generative Adversarial Networks
  • Siamese Networks
  • Differentiable Neural Computer

Limitações e desafios

Explicação e transparência

  • Dasafio: Como confiamos em um sistema de AM?
    • Avaliar o desempenho cuidadosamente
      • Identificar vantagens e pontos fracos
    • Entender como funciona
      • Entender o resultado gerado

Avaliar o desempenho cuidadosamente

  • Além de uma avaliação quantitativa, em muitos casos é preciso fazer uma avaliação qualitativa.
    • As predições fazem sentido?
    • Tem casos que falham?

Mundo fechado

  • Modelo estado da arte em geração de rótulos de imagens
  • Não tinha nenhuma escova de dentes no treinamento!

O que deu errado?

  • Devido a uma amostra viciada, um algoritmo de reconhecimento de imagens do Google classificava pessoas negras como gorilas

    • Dificilmente pensamos em como nosso modelo pode errar
    • Provavelmente o conjunto de treinamento tinha poucos exemplos de negros.

Testes com dados FAKE

Entender como funciona:

  • Distinção importante:
    • Entender as decisões de um modelo (por que um classificador atribuiu uma certa classe)
    • Entender como o modelo foi criado (qual é o funcionamento do algoritmo)?

Entender como funciona:

  • Para entender um modelo (e a sua saída), não necessariamente precisamos entender como ele foi feito
  • Mas entender o funcionamento e a saída pode ajudar a melhorar o desempenho!
  • Alguns modelos são mais fáceis de entender que outros!

Entender o funcionamento

Entender como funciona:

  • Muitas vezes se quer "enganar" um modelo
  • Pode ter consequências sérias:
    • Ataque cibernético
    • Fraude

Aprendendo a enganar a um modelo

Aprendendo a enganar a um modelo

Aprendendo a enganar a um modelo

Enganando um carro autonomo

Algorithm bias

Algorithm bias

Algorithm bias

Algorithm bias (causas)

  • amostra viciada: mais exemplos de um determinado grupo apesar de uma menor prevalência.
  • amostra contaminada: o rotulador pode dar viciar a amostra de acordo com as suas própias convicções
  • atributos ruins: algumas features podem ser mais difíceis de objter para certos grupos
  • proxies: algumas informações são baseadas em medidas indiretas, que podem conter generalizações indevidas

Bias não intencional

Bias não intencional

Bias não intencional

Algorithm bias

Algorithm bias

Aspectos sociais

Experimento do FACEBOOK/Cornell

  • 689.003 pessoas
  • Uma semana em 2012
  • Dois grupos:
    • Grupo A: remover conteúdo considerado negativo do feed
    • Grupo B: remover conteúdo considerado positivo do feed

Experimento do FACEBOOK/Cornell

Aspectos éticos

Gerenciando mudanças

Disciplinas relacionadas

  • MCTAO14-13 - Inteligência Artificial
  • MCZA030-13 - Vida Artificial na Computação
  • MCZA006-13 - Computação Evolucionista e Conexionista
  • MCZA017-13 - Processamento de Linguagem Natural
  • MCZA015-13 - Mineração de Dados
  • ESZI014-17 - Sistemas Inteligentes
  • ESZA019-17 - Visão Computacional