Mensgerichte Verklaarbare Constraint-Programmering

Combinatorische optimalisatie speelt een cruciale rol in besluitvormingsprocessen in diverse industrieën. Verklaringstechnieken voor constraint systemen zijn uitgebreid onderzocht vanuit een algorithmisch perspectief, vooral wanneer de constraint solver geen oplossing kan vinden (unsatisfiability). Echter, deze historische, algorithmische focus op verklaringen staat in contrast met modern onderzoek naar Verklaarbare Kunstmatige Intelligentie (XAI). Het laatste legt veel meer nadruk op het begrijpelijk, transparant en interpreteerbaar maken van verklaringen voor eindgebruikers. Wat ontbreekt, is een mensgerichte benadering van verklaarbare constraint-oplossingen, waarbij verklaringen eerst in samenwerking met eindgebruikers worden ontworpen en geëvalueerd, en waarbij verklaringsalgoritmen en technieken parallel daaraan worden onderzocht. Met dit voorstel streven we naar het bevorderen van een dergelijke onderzoeksrichting door de expertise in (verklaarbare) constraint-oplossingen van Prof. Tias Guns te combineren met de expertise op het gebied van mens-computerinteractie en verklaarbare machine learning van Prof. Katrien Verbert. Het voorstel richt zich vooral op de analyse en co-creatie van verschillende typen en methoden van verklaringen in constraint-oplossingen, op het innovatieve gebruik van anbevelingstechnieken om ze te berekenen, en op het faciliteren van rijkere feedback en interactieve verklaringen met een mensgericht ontwerp en evaluatie.