SEGUNDO COLOQUIO ICHIO 2020 (vía streaming)

SEGUNDO COLOQUIO ICHIO 2020 (vía streaming)

 

Jueves 10 de Septiembre, 2020.

Enlace de conexión a plataforma Zoom: https://zoom.us/j/97395910120  (12:15hrs, jueves 10 de Septiembre de 2020)

 

Programación, 

12:15-13:00. Clasificación multi-criterio de localizaciones potenciales de una tienda de retail usando el método ELECTRE TRI-C con fuzzy numbers trapezoidales.

Conferencista invitado: Dr. Javier Pereira R. Universidad Tecnológica de Chile.

 

13:00-13:45. Mathematical optimization and interpretable machine learning.

Conferencista invitada: Dra. Dolores Romero Morales. Copenhagen Business School, Dinamarca.

 

Consultas: victor.albornoz@usm.cl

 

Resumenes, 

 

Clasificación multi-criterio de localizaciones potenciales de una tienda de retail usando el método ELECTRE TRI-C con fuzzy numbers trapezoidales.

 

La ubicación de una tienda de retail es un problema de decisión estratégico que implica el compromiso de recursos a largo plazo donde, en ciertos casos, el decisor busca un subconjunto de ubicaciones interesantes que se puedan analizar en detalle posteriormente. En esta presentación se describe un estudio desarrollado en una gran compañía brasileña donde los gerentes requirieron identificar un conjunto de ubicaciones interesantes en un contexto de información imprecisa y cualitativa. Se aplicó ELECTRE TRI-C, un método de clasificación en análisis de decisiones multi-criterio. Trapezoidal fuzzy numbers (TrFN) se utilizaron como funciones de preferencia en ELECTRE TRI-C, lo que permitió: (1) configurar los parámetros de imprecisión e incertidumbre de una manera transparente; (2) en el caso de los criterios cualitativos, definir categorías proporcionando información sobre el grado de pertenencia de evaluaciones verbales, característica que hasta ahora no estaba disponible en este método; (3) mantener inalteradas las reglas de asignación; (4) evitar la proliferación de fuzzy numbers, reduciendo el esfuerzo cognitivo del tomador de decisión. Los TrFN de un análisis previo se utilizaron en el estudio, lo que permitió comparar los resultados obtenidos con TODIM-FSE, otro método de clasificación. Investigación en curso es presentada para mostrar nuevas vías para el uso de TrFN como modelo de funciones de preferencia en problemas de clasificación y clustering multi-criterio. Trabajo conjunto con Elaine C.B. de Oliveira, Luiz F.A.M. Gomes y Renato M. Araújo 

 

Mathematical optimization and interpretable machine learning.

 

 

There is a growing literature on enhancing the interpretability of Machine Learning methods involved in Data Driven Decision Making. Interpretability is desirable for non-experts; it is required by regulators for models aiding, for instance, credit scoring; and since 2018 the European Union has extended this requirement by imposing the so-called right-to-explanation in algorithmic decision making. Mathematical Optimization has shown a crucial role when striking a balance between interpretability and accuracy, having LASSO as one of the main exponents. In this presentation, we will go through very recent examples of enhancing the interpretability of Supervised as well as Unsupervised Learning methods with the help of Mixed Integer NonLinear Optimization.   

Redes Sociales

Facebook

Twitter

Linkedin