Inteligência Artificial Centrada no Humano

Conhecimentos de Base Recomendados

Competências de Programação, Matemática, Inteligência Artificial e Aprendizagem Computacional.

Métodos de Ensino

As aulas teóricas consistem na apresentação detalhada de conceitos, princípios e teorias fundamentais de Inteligência Artificial Centrada no Humano.
Nas aulas laboratoriais, adota-se uma Aprendizagem Baseada em Projeto, direcionada para a aquisição de competências através da realização de um trabalho laboratorial, envolvendo três componentes: (i) análise de trabalhos de Inteligência Artificial Centrada no Humano descritos na literatura, (ii) implementação, e (iii) escrita de um artigo científico, que descreva o trabalho de implementação realizado e que poderá ser apresentado e defendido.

Resultados de Aprendizagem

Pretende-se dar ênfase ao envolvimento do Homem nas estruturas e processos de Inteligência Artificial (IA), o que pode acontecer em diferentes momentos, nomeadamente: os humanos são fonte de dados para os modelos de IA, podem ter um papel na definição e construção de estruturas de representação da informação e nos algoritmos de raciocínio/tomada de decisão/aprendizagem de IA, e são os destinatários do produto final do sistema de IA.
Pretende-se que o estudante conheça os mecanismos que permitem às diferentes componentes de um sistema de IA serem perscrutáveis, explicáveis, auditáveis, abertas à colaboração com o Homem e, se necessário, passíveis de serem dadas a conhecer ao humano de forma amigável, transparente e eventualmente personalizável, para o que o recurso  a modelos cognitivos se revela potencialmente benéfico.
Pretende-se que o estudante adquira conhecimentos e desenvolva diversas competências tais como análise, síntese e raciocínio critico.

Estágio(s)

Não

Programa

1. Humanos no Processo
Motivação, Lei e Ética
Humanos como produtores de dados, informação e conhecimento
Decisão e Aprendizagem Colaborativas

2. Extração de Dados
Anotação de dados
Registo histórico e memórias autobiográficas
Mineração do processo
Mineração de texto e opiniões
Análise sentimental
Crowdsourcing

3. IA Explicável e Interpretável
Interpretação e Explicação
Teoria do Valor da Informação; Medição da Informação
Causalidade
Modelos Explicativos (e.g. Regressão Logística e Linear, Redes, Regras e Árvores de Decisão)
Aprendizagem Neuro-Simbólica
Confiança e Privacidade

4. Sistemas Cognitivos
Modelação Cognitiva e Comportamental
Modelação do Utilizador e Grupo
Personalização
Arquiteturas Cognitivas

5. Sistemas de Recomendação
Técnicas
Avaliação
Tópicos Avançados
Casos de Estudo

6. Agentes Inteligentes Pessoais

Docente(s) responsável(eis)

Fernando Amílcar Bandeira Cardoso

Métodos de Avaliação

Avaliação
Exame: 40.0%
Projecto: 60.0%

Bibliografia

S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Pearson, Upper Saddle River, NJ, 2009.

D. Koller, N. Friedman. Probabilistic Graphical Models: Principles and Techniques. MIT Press, Cambridge, MA, 2009.

A. Holzinger, P. Kieseberg, E. Weippl & A Min Tjoa. Current Advances, Trends and Challenges of Machine Learning and Knowledge Extraction: From Machine Learning to Explainable AI. Springer Lecture Notes in Computer Science LNCS 11015. Cham: Springer, pp. 1-8, 2018.

C. Molnar. Interpretable machine learning. A Guide for Making Black Box Models Explainable, 2019. https://christophm.github.io/interpretable-ml-book/.

T. Miller.  Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, 1–38, 2019.

F. Ricci, L. Rokach, B. Shapira. Recommender Systems Handbook. Springer, 2015.