INTRODUÇÃO: A inteligência artificial está presente na sociedade e toma decisões que podem impactar diretamente vidas humanas. Por conta disso, há uma necessidade de entender como os modelos de inteligência artificial funcionam e quais fatores que os fazem tomar tais decisões. – OBJETIVOS: O objetivo desta pesquisa é implementar algoritmos de otimização multi-objetivo linear para a resolução de problemas de inteligência artificial explanável (explainable artificial intelligence, ou XAI) – mais especificamente, a geração de contrafactuais – para a resolução de problemas de regressão e classificação considerando o seu valor no emprego em aplicações produtivas, utilizando Python, base de dados reais e auditáveis para análise. – MATERIAIS E MÉTODO: Esse projeto utiliza a metodologia quantitativa de pesquisa científica analisando bases de dados reais utilizando o modelo de aprendizagem de máquina RandomForestClassifier (floresta aleatória). Para a aplicação de programação linear de otimização multi-objetivo, foram utilizadas as técnicas Nelder Mead e Pattern Search e a biblioteca Pymoo. São técnicas distintas e com funcionalidades diferentes. – RESULTADOS: Foi utilizado no projeto uma base de dados real utilizada para uma análise de empréstimo de crédito para veículos, empregando um modelo de aprendizagem de máquina (machine learning, ou ML) e, ainda, aplicaram-se técnicas de avaliação de modelos de ML. A partir do melhor modelo encontrado foram aplicados dois objetivos de otimização formatados como um problema de otimização multi-objetivo, um para maximizar a probabilidade do contrafactual e outro para minimizar a distância do contrafactual para o indivíduo original. – CONSIDERAÇÕES FINAIS: Assim, a pesquisa atingiu o seu objetivo ao implementar algoritmos de otimização multi-objetivo linear para a resolução de problemas de XAI utilizando base de dados reais.
