Aluna: Ana Catarina Gomes da Fonseca Pereira

Título: “Desenvolvimento de Modelos de Aprendizado de Máquina Explicáveis Integrados a um AutoML"

Orientador: Alexandre Magno Andrade Maciel

Examinador Externo: Rodrigo Lins Rodrigues (UFRPE)

Examinador Interno: Raphael Augusto de Sousa Dourado

Data-hora: 29 de agosto de 2025 às 9h

Local: Formato presencial - Sala de Atos

Resumo:

         "O avanço da área de aprendizado de máquina tem sido acompanhado por uma crescente de manda por ferramentas que facilitem seu uso em diferentes contextos, inclusive por usuários de diferentes áreas. Nesse cenário, os sistemas de Aprendizado de Máquina Automatizado (Automated Machine Learning - AutoML) surgem como alternativas capazes de automatizar etapas complexas do processo de modelagem, desde a seleção de algoritmos até a otimização de hiperparâmetros. Apesar dessas vantagens, persiste o desafio da interpretabilidade dos modelos, que muitas vezes operam como caixas-pretas, limitando a confiança e a adoção em áreas críticas que exigem maior transparência. Diante desse desafio, este trabalho apresenta a integração de técnicas de Inteligência Artificial Explicável (Explainable Artificial Intelligence - XAI) ao sistema FMD, uma plataforma web de AutoML. A proposta consistiu no desenvolvimento de um módulo adicional de explicabilidade, incorporando métodos de escopo local e global, como SHAP, LIME, árvores surrogate e análises what-if. Além disso, foi incorporada uma interface voltada para usabilidade e interatividade, incluindo dashboards de métricas, gráficos interpretativos e seletores de instância, favorecendo a exploração do desempenho dos modelos e da contribuição das variáveis nas predições. Para avaliar essa proposta, foram conduzidas entrevistas e questionários de usabilidade com dois grupos de usuários: profissionais de ciência de dados e especialistas de domínio. Os resultados, medidos tanto por meio do Post-Study System Usability Questionnaire (PSSUQ) quanto por feedback qualitativo, indicaram que os participantes valorizaram a capacidade do sistema de esclarecer as predições e relataram maior confiança e compreensão ao interagir com os modelos explicados. Esses achados reforçam que a incorporação de explicações acessíveis e amigáveis em plataformas AutoML pode não apenas ampliar sua adoção e favorecer a democratização da ciência de dados, como também contribuir para o avanço em direção a uma inteligência artificial mais transparente, responsável e alinhada às necessidades de diferentes perfis de usuários."