Conferencia: 'Mellorando a Toma de Decisión co Aprendizaxe Automático, Probadamente'

Os sistemas de apoio á decisión para tarefas de clasificación están predominantemente deseñados para predecir o valor das etiquetas da verdade terrestre. Non obstante, estes sistemas tamén necesitan facer que os expertos humanos comprendan cando e como usar estas predicións para actualizar as súas propias predicións. Desafortunadamente, isto demostrouse un desafío. Neste relatorio, vou introducir un tipo alternativo de sistemas de apoio á decisión que evita este desafío por deseño. En vez de proporcionar unha única predición de etiqueta, estes sistemas proporcionan un conxunto de valores de predición de etiquetas, a saber, un conxunto de predicións, e piden aos expertos que predigan un valor de etiqueta a partir do conxunto de predicións. Ademais, discutiréi como utilizar a predición conformal, o aprendizaxe en liña e a inferencia contrafactual para construír con eficiencia conxuntos de predición que optimicen o rendemento dos expertos, de forma probada. Ademais, presentaréi os resultados dun estudo a gran escala con suxeitos humanos, que mostran que, para sistemas de apoio á decisión baseados en conxuntos de predición, limitar o nivel de axencia dos expertos conduce a un maior rendemento que permitir que os expertos exerciten sempre a súa propia axencia.

Sobre o orador

Manuel Gomez Rodriguez é un profesor titular no Max Planck Institute for Software Systems (MPI-SWS). Os seus intereses de investigación centranse no desenvolvemento de modelos e algoritmos de aprendizaxe automática centrados na humanidade. É coautor de máis de 50 publicacións en conferencias de alto nivel (NeurIPS, ICML, UAI, AISTATS, AAAI, KDD, WWW) e xornais (PNAS, Nature Communications, Management Science, JMLR, TMLR). Manuel é un ELLIS Fellow e recibiu varios recoñecementos pola súa investigación, incluíndo un ERC Consolidator Grant, un ERC Starting Grant, un Outstanding Paper Award en NeurIPS e un Best Research Paper Honorable Mention en KDD e WWW. Manuel ten un M.S. e un Ph.D. en Enxeñería Eléctrica pola Universidade de Stanford (2009 e 2013) e un B.S. en Enxeñería Eléctrica pola Universidade Carlos III de Madrid, España (2006).