Apprendimento scalabile di modelli machine learning interpretabili

Questa tesi affronta il tema dell’interpretabilità nei modelli Machine Learning, un aspetto cruciale per garantire trasparenza e fiducia nei sistemi intelligenti. Dopo una panoramica generale sul concetto di interpretabilità, analizziamo i principali approcci e algoritmi che la implementano, con particolare attenzione ai Rule Based models. Questi modelli risultano infatti facilmente interpretabili per loro natura, pur pagando tradizionalmente in termini di accuratezza e scalabilità. L’obiettivo del lavoro è quindi duplice: da un lato mettere in evidenza i vantaggi dei modelli interpretabili rispetto agli approcci black-box, dall’altro studiarne la scalabilità, ossia la capacità di gestire con accuratezza dataset di grandi dimensioni. Attraverso esperimenti condotti su diversi dataset di riferimento, valutiamo l’efficacia di tali modelli come valida alternativa in contesti critici quali la medicina, la finanza o la pubblica amministrazione.