Conferencia: 'Mejorando la Toma de Decisiones con Aprendizaje Automático, de Forma Comprobable'

Los sistemas de soporte a la decisión para tareas de clasificación están predominantemente diseñados para predecir el valor de las etiquetas de verdad de terreno. Sin embargo, estos sistemas también necesitan hacer que los expertos humanos comprendan cuándo y cómo utilizar estas predicciones para actualizar sus propias predicciones. Desafortunadamente, esto ha demostrado ser un desafío. En esta charla, presentaré un tipo alternativo de sistemas de soporte a la decisión que eluden este desafío por diseño. En lugar de proporcionar una única predicción de etiqueta, estos sistemas proporcionan un conjunto de valores de predicción de etiqueta, a saber, un conjunto de predicción, y piden a los expertos que predigan un valor de etiqueta del conjunto de predicción. Además, discutiré cómo utilizar la predicción conforme, el aprendizaje en línea y la inferencia contrafactual para construir de manera eficiente conjuntos de predicción que optimicen el rendimiento de los expertos, de manera comprobable. Además, presentaré los resultados de un estudio a gran escala con sujetos humanos, que muestran que, para los sistemas de soporte a la decisión basados en conjuntos de predicción, limitar el nivel de autonomía de los expertos conduce a un mayor rendimiento que permitir a los expertos ejercer siempre su propia autonomía.

Sobre el ponente

Manuel Gomez Rodriguez es profesor titular en el Instituto Max Planck para Sistemas de Software (MPI-SWS). Sus intereses de investigación se centran en el desarrollo de modelos y algoritmos de aprendizaje automático centrados en el ser humano. Ha coautorido más de 50 publicaciones en conferencias de alto nivel (NeurIPS, ICML, UAI, AISTATS, AAAI, KDD, WWW) y revistas (PNAS, Nature Communications, Management Science, JMLR, TMLR). Manuel es ELLIS Fellow y ha recibido varios reconocimientos por su investigación, incluyendo una Beca Consolidada ERC, una Beca Inicial ERC, un Premio al Mejor Artículo en NeurIPS y una Mención Honorífica al Mejor Artículo de Investigación en KDD y WWW. Manuel tiene una Maestría y un Doctorado en Ingeniería Eléctrica de la Universidad de Stanford (2009 y 2013) y una Licenciatura en Ingeniería Eléctrica de la Universidad Carlos III de Madrid, España (2006).