Intel·ligència artificial explicable aplicada a la valoració del crèdit

Abstract

[en] Machine learning holds immense potential to revolutionize our existing models, but its widespread adoption faces a significant hurdle, the elusive nature of explanations provided by computers. This thesis strives to bridge this crucial gap. My thesis builds upon the master’s thesis by Bornvalue Chitambira titled Credit Scoring using Machine Learning Approaches, conducted at Mälarden University. Chitambira developed Artificial Intelligence (AI) models for credit scoring. My goal is to apply Explainable Artificial Intelligence (XAI) techniques to enhance the transparency of these models and make them more understandable. The research will encompass a comprehensive review of XAI literature, an introduction to Chitambira’s work, and an in-depth study of SHAP and LIME methods. Finally, I will apply these techniques to Chitambira’s models to provide a clearer understanding of their functionality.

[ca] L’aprenentatge automàtic té un immens potencial per revolucionar els nostres models existents, però la seva adopció generalitzada es troba amb un obstacle significatiu: la naturalesa esquiva de les explicacions proporcionades pels ordinadors. Aquest estudi es proposa superar aquesta bretxa crucial. La meva tesi es basa en el treball de final de màster de Bornvalue Chitambira, titulat Credit Scoring using Machine Learning Approaches, realitzat a la Universitat de Mälarden. Chitambira va desenvolupar models d’Intel·ligència Artificial (IA) per a la puntuació de crèdit. El meu objectiu és aplicar tècniques d’explicabilitat (XAI) per millorar la transparència d’aquests models i fer-los més comprensibles. La recerca inclourà una revisió exhaustiva de la literatura sobre XAI, una introducció al treball de Chitambira, i un estudi aprofundit dels mètodes SHAP i LIME. Finalment, aplicarem aquestes tècniques als models de Chitambira per proporcionar una comprensió més clara del seu funcionament.