The Role of Explainable Artificial Intelligence in Data Science [Il Ruolo dell'Intelligenza Artificiale Esplicabile nella Scienza dei Dati]

Nel panorama digitale in continua evoluzione, i dati, che spaziano in formati tabulari, temporali, testuali e visivi, emergono come elementi fondamentali per l'industria e i sistemi decisionali. Allo stesso tempo, l'aumento esponenziale del volume di dati sottolinea la necessità di sistemi avanzati di analisi dei dati, in particolare quelli basati su Intelligenza Artificiale (IA) e apprendimento automatico (ML), come imperativi strategici. La crescente complessità degli algoritmi di apprendimento automatico accelera la domanda parallela di modelli trasparenti e interpretabili. La tesi inizia con un'esplorazione approfondita dell'Intelligenza Artificiale Esplicabile (XAI), che include metodi specifici per modello e indipendenti dal modello. Questo comporta un'analisi dettagliata di tecniche come l'analisi dell'importanza delle caratteristiche, Local Interpretable Model-agnostic Explanations (LIME) e SHapley Additive exPlanations (SHAP), dimostrando la versatilità insita nelle metodologie di interpretabilità. Come primo passo, applichiamo questi approcci interpretativi per estrarre caratteristiche fondamentali dai dati tabulari. Questo approccio olistico mira a rivelare il panorama complesso della XAI, contribuendo a una comprensione profonda dei modelli trasparenti e interpretabili nell'analisi dei dati. Sebbene i metodi di interpretabilità nell'intelligenza artificiale migliorino la comprensione, spesso non riescono a chiarire le relazioni di causa-effetto tra le caratteristiche principali dei dati. Questa limitazione diventa particolarmente evidente in contesti decisionali sensibili come quello sanitario, dove la comprensione dei legami causali è fondamentale. In questo contesto, oltre a utilizzare metodi di interpretabilità, esploriamo l'inferenza causale in casi specifici, con l'obiettivo di discernere una possibile relazione tra XAI e inferenza causale. Un altro tipo di dato critico, con applicazioni che vanno dalla diagnostica medica alla previsione finanziaria, è quello delle serie temporali. Le reti neurali profonde si sono dimostrate strumenti potenti in questo ambito, sfruttando la loro capacità di individuare autonomamente schemi complessi. Tuttavia, il loro affidamento su rappresentazioni gerarchiche distribuite pone sfide nella comprensione della logica dietro decisioni specifiche su singoli casi di test. Al contrario, l'uso di modelli gerarchici interpretabili come gli alberi decisionali facilita una comprensione più diretta della conoscenza acquisita dalla rete neurale. Un altro obiettivo di questa tesi è introdurre un albero decisionale che rifletta la funzione di input-output scoperta dalla rete neurale, ma in modo interpretabile, facilitando una spiegazione trasparente delle decisioni individuali.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2025

Author dc:creator

• GHOLIZADE ATANI, YASER

Contributors dc:contributor

• GALLO, Giovanni

• Explainable Artificial Intelligence (XAI)
• Data Science
• Machine Learning (ML)
• Causal Inference
• Tabular Data Analysi
• Time Series Classification
• Causal Machine Learning
• Soft Decision Tree
• Healthcare Data Analysi
• Deep Neural Network
• Feature Importance Analysi
• Interpretable Machine Learning
• Transparent AI Model
• Interpretability Method
• Data Analysis
• Intelligenza Artificiale Esplicabile (XAI)
• Scienza dei Dati
• Apprendimento Automatico (ML)
• Inferenza Causale
• Analisi dei Dati Tabulari
• Classificazione delle Serie Temporali
• Apprendimento Automatico Causale
• Analisi dei Dati
• Albero Decisionale Morbido
• Analisi dei Dati Sanitari
• Reti Neurali Profonde
• Analisi dell'Importanza delle Caratteristiche
• Apprendimento Automatico Interpretabile
• Modelli di IA Trasparenti
• Metodi di Interpretabilità

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/685233

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/685233