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)

Luís Miguel Machado Lopes Macedo

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.