Titulo: Uma Abordagem de Ajuste de Parâmetros Orientada à Equidade em Métodos de Apoio à Decisão Multicritério
Comissão Examinadora - Titulares
Prof. Dr. Leonardo Tomazeli Duarte (Docente) FCA/Unicamp
Profa. Dra Lívia Couto Ruback Rodrigues - FT/Unicamp
Prof. Dr. Ricardo Suyama - UFABC
Prof. Dr. Guilherme Dean Pelegrina - UPM
Profa. Dra. Priscila Cristina Berbert Rampazzo - FCA/Unicamp
Prof. Dr. Frederico Gadelha Guimarães - UFMG
Suplentes
Profa. Dra Renata Pelissari Infante - UPM
Prof. Dr. Cristiano Torezzan - FCA/Unicamp
Local: Sala de Defesa (Prédio da Pós-Graduação da FT) | https://stream.meet.google.com/stream/af3972b9-62de-4662-863c-e18f80bb0b2d
Resumo: A problemática da presença de vieses em processos decisórios na conjuntura da Inteligência Artificial (IA) tem chamado a atenção e ganhado espaço nas discussões científicas do meio. No contexto da automação da decisão, a partir do ordenamento de dados, utilizando Métodos de Apoio à Decisão Multicritério, alguns modelos de agregação, como simple additive weighting (SAW) e Integral de Choquet, usam parâmetros diversos, como pesos e capacidades, que ditam a importância relativa dos critérios e, até certo ponto, a ordem das alternativas. Uma vez que os dados podem carregar vieses ligados a critérios e grupos específicos de alternativas – como ligados ao gênero, à "raça" e à classe social –, as primeiras posições do ordenamento, conhecidas como Top-k, podem ser influenciadas, impactando, indiretamente, ideais de justiça. A esses ideais, na presente pesquisa, nos referimos à paridade estatística: quando determinados grupos não têm representatividade o suficiente entre as Top-k alternativas, sendo prejudicados em detrimento de outros, estes privilegiados. Sendo assim, é imprescindível a inclusão da justiça entre os objetivos desse meio, com a busca por ordenamentos para os quais sejam mitigados os efeitos de vieses frente aos grupos específicos de alternativas que são afetados por eles, aqui chamados de grupo protegido. Com esse objetivo, neste estudo, apresentamos um novo método de ajuste de parâmetros dos modelos de agregação SAW e Integral de Choquet 2-aditivo. Essa proposta viabiliza um ordenamento mais justo por meio da otimização da métrica de justiça, conhecida como NDKL (Normalized Discounted Cumulative KL-divergence), em função dos parâmetros dos modelos em questão. Para o processo de otimização foi empregada a meta-heurística Evolução Diferencial e os experimentos numéricos foram feitos com dados sintéticos e dados reais. No caso dos dados sintéticos, foram simuladas variações de médias de desempenho e variações de correlação entre critérios para casos com dois grupos de alternativas. Já no cenário com dados reais, utilizamos dados de países, disponíveis na plataforma do Banco Mundial, com indicadores de desempenho em áreas econômicas e de sustentabilidade, dividindo os países em dois grupos, desenvolvidos e em desenvolvimento. Em ambos os casos, a partir da minimização da métrica NDKL, nosso método mostrou-se efetivo para o ajuste equânime de parâmetros e, portanto, para o alcance da representatividade dos grupos, obtida com os ordenamentos, principalmente, para as primeiras posições dos mesmos