Memória P&D Design

15º Congresso Brasileiro de Pesquisa e Desenvolvimento em Design

UFAM — Manaus (AM)

Outubro/2024

A Caminho de uma Inteligência Artificial Explicável: Evolução dos Modelos de Ia e de Suas Visualizações

Towards Explainable Artificial Intelligence: Evolution of AI Models and Their Visualizations

Fernando A. Oliveira
Almir Mirabeau
André Soares Monat

Como citar

Oliveira, Fernando A.; Mirabeau, Almir; Monat, André Soares; "A Caminho de uma Inteligência Artificial Explicável: Evolução dos Modelos de Ia e de Suas Visualizações", p. 3520-3539. PPG Design Caderno Científico, Manaus, 2024. Anais do XV Congresso Brasileiro de Pesquisa e Desenvolvimento em Design – P&D Design Manaus., DOI https://doi.org/10.29327/5457226.1-346

Resumo

Lançado em novembro de 2022, o ChatGPT tornou acessível ao público uma ferramenta de inteligência artificial (IA) cuja rápida popularidade mostrou potencial de mudar a forma de agir em várias áreas do conhecimento, apesar de não ser totalmente confiável e ainda cometer erros. Para que estes sistemas sejam instruídos, é necessária grande quantidade de dados, e não tem sido possível acessar o processo completamente, o que deu origem a expressão "caixa-preta". Assim, a introdução de uma Inteligência Artificial Explicável (IAX), onde a máquina revela estes processos, estabelece novo paradigma. Este artigo parte da crença que o design, por sua natureza epistemológica, tem papel fundamental nessa abordagem. A própria concepção de modelos de IA apoiou-se em técnicas de visualização, corroborando a ideia da aderência do design ao tema. Uma revisão da literatura, na parte final deste artigo, aponta para oportunidade da produção de conteúdo acadêmico relacionando IA e design.
Palavras-chave:

inteligência artificial, inteligência artificial explicável, redes neurais

Abstract

Launched in November 2022, ChatGPT made an artificial intelligence (AI) tool accessible to the public whose rapid popularity has shown the potential to change the way we act in various areas of knowledge, despite not being completely reliable and still making mistakes. These systems requires a large amount of data to be instructed, and it not possible to access the process completely, which gave rise to the expression "black-box". Thus, the introduction of Explainable Artificial Intelligence (XAI), where the machine reveals these processes, establishes a new paradigm. This article is based on the belief that design, due to its epistemological nature, plays a fundamental role in this approach. The very design of AI models was based on visualization techniques, corroborating the de
Keywords:

artificial intelligence, explainable artificial intelligence, neural networks

Referências bibliográficas

  • Applied AI Letters, Special Issue: DARPA's Explainable Artificial Intelligence (XAI) Program - Volume2, Issue4, dezembro de 2021. https://doi.org/10.1002/ail2.15.

  • ANDRADE, Patrícia Santos. Sistemas híbridos neuro simbólicos, estudo e implementação. 104f. (Dissertação) Mestrado em Informática, Pós-Graduação em Informática, Centro de Ciências e Tecnologia, Universidade Federal da Paraíba, Campus II, Campina Grande - Paraíba - Brasil, 1997. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/11342

  • CRAVEN, Mark W. e Shavlik, Jude W. Visualizing learning and computation in artificial neural networks. International Journal on Artificial Intelligence Tools 01, nº 03 (setembro de 1992): 399–425. https://doi.org/10.1142/S0218213092000260.

  • CHEN, C., REN Y., KUO, CC.J. Global-Attributes Assisted Outdoor Scene Geometric Labeling. In: Big Visual Data Analysis. SpringerBriefs in Electrical and Computer Engineering(). Springer, Singapore, 2016. https://doi.org/10.1007/978-981-10-0631-9_5

  • DINIZ, Petterson Sousa. Uma Abordagem Utilizando Séries Temporais para Detecção de Gás em Imagens Sísmicas com Transformer. (2023).

  • ELGENDY, Mohamed. Deep learning for vision systems. Simon and Schuster, 2020.

  • GUNNING, D., VORM, E., WANG, J.Y. and TUREK, M. (2021), DARPA's explainable AI (XAI) program: A retrospective. Applied AI Letters, 2: e61. https://doi.org/10.1002/ail2.61

  • GUO, Q., JIN, S., LI, M. et al. Application of deep learning in ecological resource research: Theories, methods, and challenges. Sci. China Earth Sci. 63, 1457–1474 (2020). https://doi.org/10.1007/s11430-019-9584-9

  • J. DENG, W. DONG, R. SOCHER, L. -J. LI, Kai LI and Li FEI-FEI, ImageNet: A large-scale hierarchical image database. IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, USA, 2009, pp. 248-255, doi: 10.1109/CVPR.2009.5206848.

  • MCCULLOCH, Warren S.; PITTS, Walter. A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, v. 5, p. 115-133, 1943.

  • MORABITO, Francesco Carlo, Maurizio Campolo, Cosimo Leracitano, e Nadia Mammone. Explainable Deep Learning to Information Extraction in Diagnostics and Electrophysiological Multivariate Time Series. Em Artificial Intelligence in the Age of Neural Networks and Brain Computing, 225–50. Elsevier, 2024. https://doi.org/10.1016/B978-0-323-96104-2.00011-7.

  • MINSKY, Marvin., PAPERT, Seymour. Perceptrons; an Introduction to Computational Geometry. Reino Unido: MIT Press, 1969.

  • R. ALIZADEHSANI et al., Explainable Artificial Intelligence for Drug Discovery and Development: A Comprehensive Survey, in IEEE Access, vol. 12, pp. 35796-35812, 2024, doi: 10.1109/ACCESS.2024.3373195.

  • ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408 (1958). https://doi.org/10.1037/h0042519

  • ROSENBLATT, F. The Design of an Intelligent Automaton. Research Trends 6, no. 2 (1958).

  • RUMELHART, D., HINTON, G. & WILLIAMS, R. Learning representations by back-propagating errors. Nature (London) 323, nº 6088 (1986): 533–36. https://doi.org/10.1038/323533a0.

  • SCHMIDHUBER, Jürgen, e HOCHREITER, Sepp. Long Short-Term Memory. Neural Computation 9, nº 8 (1º de novembro de 1997): 1735–80. https://doi.org/10.1162/neco.1997.9.8.1735.

  • TUFTE, Edward. Envisioning information. Graphics Press, USA, 1990.

  • VASWANI, A., SHAZEER, N.M., PARMAR, N., USZKOREIT, J., JONES, L., GOMEZ, A.N., KAISER, L., & POLOSUKHIN, I. (2017). Attention is All you Need. Neural Information Processing Systems.

  • VASWANI, A., SHAZEER, N.M., PARMAR, N., USZKOREIT, J., JONES, L., GOMEZ, A.N., KAISER, L., & POLOSUKHIN, I. Attention Is All You Need. arXiv, 1º de agosto de 2023. http://arxiv.org/abs/1706.03762.

  • WALTERS, W.H., WILDER, E.I. Fabrication and errors in the bibliographic citations generated by ChatGPT. Sci Rep 13, 14045 (2023). https://doi.org/10.1038/s41598-023-41032-5

  • ZHANG, J., LIC., YIN, Y. et al. Applications of artificial neural networks in microorganism image analysis: a comprehensive review from conventional multilayer perceptron to popular convolutional neural network and potential visual transformer. Artif Intell Rev 56, 1013–1070 (2023). https://doi.org/10.1007/s10462-022-10192-7.