Resumen: En esta charla daré una visión general del papel de la causalidad en el aprendizaje automático ético y, en particular, en el ML justo y explicable. En concreto, primero detallaré cómo utilizar el razonamiento causal para estudiar los problemas de equidad e interpretabilidad en la toma de decisiones algorítmicas, haciendo hincapié en las principales limitaciones que encontramos cuando pretendemos abordar estos problemas en la práctica. A continuación, daré algunas pistas sobre cómo resolver algunas de estas limitaciones prácticas mediante el uso de modelos generativos causales. Una nueva clase de modelos generativos profundos que no sólo se ajustan con precisión a los datos observacionales, sino que también pueden proporcionar estimaciones precisas a las consultas de intervención y contrafactuales. Por último, discutiré los retos pendientes en el diseño de estos modelos generativos causales.
Ponente: Isabel Valera es Profesora Titular de Aprendizaje Automático en el Departamento de Informática de la Universidad de Saarland (Saarbrücken, Alemania), y Profesora Adjunta en el MPI de Sistemas de Software de Saarbrücken (Saarbrücken, Alemania). Ha recibido una subvención ERC Starting Grant sobre «Society-Aware ML» y es miembro del European Laboratory for Learning and Intelligent Systems (ELLIS). Anteriormente, fue jefa de grupo independiente en el MPI de Sistemas Inteligentes de Tubinga (Alemania). Obtuvo su doctorado en 2014 y su máster en 2012 por la Universidad Carlos III de Madrid, España, y trabajó como investigadora postdoctoral en el MPI for Software Systems (Alemania) y en la Universidad de Cambridge (Reino Unido). Su investigación se centra en el desarrollo de métodos de aprendizaje automático fiables que puedan utilizarse en el mundo real. Su investigación puede clasificarse en tres grandes temas: aprendizaje automático justo, interpretable y robusto. Sus intereses de investigación abarcan una amplia gama de enfoques de ML, incluyendo el aprendizaje profundo, el modelado probabilístico, la inferencia causal, el análisis de series temporales, y muchos más.
Grabación: Causethical ML: de la teoría a la práctica