EN
Noticias - 21/07/2022

Axel Brando defiende su tesis doctoral centrada en el desarrollo de sistemas de IA fiables

El trabajo se ha realizado como doctorado industrial en el marco de un proyecto de Investigación, Desarrollo e Innovación (I+D+i) entre la Universidad de Barcelona y BBVA AI Factory, y ha propiciado la creación de nuevos productos de datos en BBVA

Nuestro antiguo compañero Axel Brando defendió el pasado lunes 18 de julio su tesis titulada Aleatoric Uncertainty Modelling in Regression Problems using Deep Learning en Barcelona. Este trabajo, dirigido y tutorizado por Jordi Vitrià, catedrático por la Universidad de Barcelona, y José A. Rodríguez Serrano, Senior Expert Data Scientist en BBVA AI Factory, identifica las distintas fuentes de incertidumbre presentes en cualquier sistema predictivo y propone nuevos modelos de aprendizaje profundo (Deep Learning) para modelizar -y por tanto, tener en consideración- un tipo crítico de incertidumbre llamada incertidumbre aleatórica. Además, la presente investigación abarcó la problemática de poder modelar la incertidumbre en sistemas ya en uso que no tienen que estar basados en Inteligencia Artificial (referidos como modelos de caja negra).

Axel Brando en un momento de la defensa de la tesis doctoral. Barcelona, 18 de julio de 2022.

Este enfoque resulta fundamental para desarrollar modelos de predicción más robustos y confiables que permitan tomar mejores decisiones, especialmente en escenarios de alto riesgo. La investigación llevada a cabo por Axel en BBVA AI Factory partió de una necesidad real de negocio del banco, que resultó finalmente en el desarrollo de nuevos productos de datos puestos a disposición de nuestros clientes. Así, los resultados de este trabajo de investigación los podemos ver actualmente en la previsión de saldo para el próximo mes que nos muestra la app de BBVA, así como en las alertas sobre próximos cambios en nuestra cuenta, que nos ayudan a tener una visión más clara de nuestra salud financiera y anticiparnos a posibles contratiempos.

Toda la información relacionada con esta investigación está disponible en este sitio web. Por último, nos gustaría reflejar en este artículo el resumen original del trabajo de investigación llevado a cabo por Axel Brando:

Uncertainty is always around us. Every decision we take has an associated likelihood of success and decisions made by autonomous systems are not an exception. Despite the great advances in the field of artificial intelligence, the inability of these systems to identify a higher risk scenario a priori could prevent their inclusion as part of solutions to many real problems. This is why it is essential that these systems learn how to model and deal with uncertainty. Starting from a probabilistic approach, this thesis proposes to formalize the different types of uncertainty and, in particular, focus its research on one type of uncertainty, the aleatoric uncertainty, since it is detected as the main uncertainty for the financial real-world problem that motivates this doctorate. Based on such research, the thesis proposes new models to improve the state of the art in modeling such uncertainty as well as introduces a new real problem that appears when there is a fixed predictive system that does not model uncertainty and we want to model uncertainty a posteriori, without changing the original model. This problem will be denoted as the modeling of the uncertainty of a black box system and will motivate the proposal of new models specialized in maintaining the predictive advantages, such as Quantile Regression (QR), but for the black box problem. Subsequently, the QR research will motivate the proposal of new models to solve a QR literature problem known as the crossing quantile phenomena, which appears when different quantiles are predicted simultaneously and they do not preserve their correct order with respect to their quantile value. Finally, all of the above research will be summarized in visualization and evaluation methods for the predicted uncertainty to produce uncertainty-tailored methods.

⎋ Acceso a la tesis doctoral completa

Contenido publicado relacionado con esta investigación:

⎋ “Los modelos de incertidumbre, clave para detectar anomalías en cuentas”
⎋ “Las redes neuronales tienen derecho a no poner la mano en el fuego”, El País Retina
⎋ “Cómo enseñar a la inteligencia artificial a decir ‘no estoy seguro’”
⎋ Modelling heterogeneous distributions with an Uncountable Mixture of Asymmetric Laplacians (vídeo)
⎋ “Desarrollamos un motor de predicción con incertidumbre en colaboración con Google Cloud”
⎋ “BBVA y Google Cloud desarrollan un modelo de IA para mejorar la predicción de gastos e ingresos”
⎋ “Predicciones con Incertidumbre en Modelos de Aprendizaje Profundo”