INTRODUÇÃO: A inteligência artificial está presente em diversas organizações, tanto para auxiliar a tomar decisões quanto tomar as decisões por nós, decisões essas que podem impactar diretamente nas vidas humanas. Por conta disso, há necessidade de entender como os modelos de inteligência artificial funcionam e quais os fatores que os fazem tomar cada decisão. – OBJETIVOS: O objetivo desta pesquisa é implementar algoritmos de otimização multi-objetivo, para resolução de problemas de XAI, mais especificamente problemas de fairness, utilizando modelos de regressão e classificação considerando o seu valor na ciência e em aplicações produtivas, através do Python, utilizando base de dados reais e auditáveis para análise. – MATERIAIS E MÉTODO: Este projeto utiliza a metodologia quantitativa de pesquisa científica analisando bases de dados reais em modelos de aprendizagem de máquina de comitês de algoritmos como o LightGBM. Para a aplicação de programação de otimização multi-objetivo, foram utilizadas as técnicas LightGBM, NSGA-II e a biblioteca Pymoo. Estas técnicas foram utilizadas em conjunto com a finalidade de otimizar um modelo de aprendizagem de máquina maximizando, ao mesmo tempo, a acurácia e métricas de justiça algorítmica. – RESULTADOS: Foi utilizada uma base de dados real responsável por determinar os índices de criminalidade de comunidades dos Estados Unidos. Dessa forma, otimizou-se um modelo de aprendizagem de máquina com otimização multi-objetivo. A pesquisa conseguiu com sucesso treinar um modelo de aprendizagem de máquina utilizando a técnica LightGBM em base de dados real. – CONSIDERAÇÕES FINAIS: Este modelo teve os seus hiperparâmetros otimizados visando o problema de otimização multi-objetivo equilibrando fairness e acurácia. Sendo assim, a pesquisa atingiu o seu objetivo.
