Autor:
Lavalle, Ana

Cargando...
Foto de perfil

E-mails conocidos

analavalle11@gmail.com
ana.lavalle@ua.es
alavalle@dlsi.ua.es

Fecha de nacimiento

Proyectos de investigación

Unidades organizativas

Puesto de trabajo

Apellidos

Lavalle

Nombre de pila

Ana

Nombre

Nombres alternativos

Afiliaciones conocidas

University of Alicante, Spain

Páginas web conocidas

Página completa del ítem
Notificar un error en este autor

Resultados de la búsqueda

Mostrando 1 - 2 de 2
  • Artículo
    Modelado Conceptual basado en Objetivos para la definición de Visualizaciones
    Lavalle, Ana; Maté, Alejandro; Trujillo, Juan. Actas de las XXIV Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2019), 2019-09-02.
    Cada vez son más las cantidades de datos que necesitan ser analizadas e interpretadas y la visualización de la información juega un papel clave para ello. Definir una visualización correcta y sin errores es crucial para comprender e interpretar los patrones y resultados obtenidos por los algoritmos de análisis, ya que una incorrecta interpretación o resultados incorrectos podría suponer pérdidas significativas a la empresa. Sin embargo, la definición de visualizaciones es una tarea difícil para los usuarios de negocio, ya que en la mayoría de ocasiones no son expertos en la visualización de información y no conocen exactamente las herramientas o tipos de visualización mas adecuados para medir sus objetivos. El principal problema que se encuentra es la falta de herramientas y metodologías que ayuden a usuarios no expertos a definir sus objetivos de visualización y análisis de datos en términos de negocio. Es por ello, que para afrontar este problema, presentamos un modelo basado en el lenguaje i* para la especificación de visualización de datos. Nuestra propuesta permite seleccionar de forma objetiva las técnicas de visualización más adecuadas, con la gran ventaja de proporcionar a los usuarios no expertos, las visualizaciones más adecuadas según sus necesidades y sus datos con poco esfuerzo y sin requerir experiencia en la visualización de información.
  • Artículo
    Proceso para la evaluación de la equidad en sistemas de Inteligencia Artificial
    Navarro, Álvaro; Lavalle, Ana; Maté, Alejandro; Trujillo, Juan. Actas de las XXVIII Jornadas de Ingeniería del Software y Bases de Datos (JISBD 2024), 2024-06-17.
    Pese a la relevancia de los sistemas de Inteligencia Artificial (IA) y los modelos de aprendizaje automático (ML) en la sociedad, dichos sistemas y modelos a menudo están limitados por la opacidad en su toma de decisiones. Este punto es clave, pues la falta de interpretabilidad puede suponer que se tomen decisiones injustas de manera oculta, lo que impediría tomar acciones correctivas para solucionar el problema. Aunque diferentes trabajos han afrontado el desafío de la opacidad desde un punto de vista explicable, hay una carencia de propuestas que traten de explote la información de los datos para este fin. En este contexto, y para ayudar al experto en ML en el análisis y la toma de decisiones, presentamos un proceso basado en un algoritmo jerárquico, denominado Árbol de Detección de Equidad (ADE), el cual recorre recursivamente los datos para crear un árbol de análisis (AAE). Combinado con técnicas de explicabilidad, unimos las características de los grupos a las decisiones del modelo, proporcionando a través del AAE información que puede mejorar la confianza en los resultados y propiciar una mejor comprensión del proceso de toma de decisiones del modelo. Las principales contribuciones de este trabajo son: (i) definimos métricas de equidad que tienen en cuenta conjuntos de datos reducidos y/o desbalanceados; (ii) analizamos automáticamente el conjunto de datos explotando los pesos extraídos del modelo; e (iii) identificamos grupos cuyo trato ha sido potencialmente injusto. Para demostrar la aplicabilidad de nuestra propuesta, analizamos su efectividad en cuatro dominios distintos.