1. Los expertos pueden actuar como "maestros" de las máquinas dirigiendo de forma más precisa el proceso de aprendizaje.
2. Los usuarios pueden también transferir sus conocimientos interactuando con productos que incluyen algoritmos ML. De esta manera se produce un aprendizaje interactivo en el que el sistema se va adaptando a los posibles cambios que puedan aparecer. Finalmente,
3. Finalmente, los algoritmos de ML encuentran dificultades para explicar por qué llegan a una decisión específica. La Inteligencia Artificial Explicable (XAI) es un campo de investigación que tiene como objetivo hacer que los resultados de los sistemas de inteligencia artificial (IA) sean más comprensibles para los humanos. Actualmente, las técnicas XAI se centran en la transformación de modelos matemáticos, pero dejan de lado la dimensión humana del problema, que podría ayudar a hacer más comprensibles los mecanismos de explicación existentes.

Por lo expuesto anteriormente en este proyecto nos planteamos los siguientes objetivos:

1. Análisis y desarrollo de técnicas para incluir humanos en el proceso de aprendizaje. La idea es establecer distintas estrategias para incorporar a los humanos a los procesos de aprendizaje y luego desarrollar técnicas y herramientas que permitan implementar dichas estrategias de forma eficiente. La efectividad de estos métodos se probará con problemas de ejemplo. Dentro de este objetivo incluimos técnicas de aprendizaje a través de expertos (Machine Teaching) o técnicas de aprendizaje a partir de usuarios (Interactive Machine Learning).
2. Análisis y desarrollo de técnicas para incluir humanos en el proceso de explicación. La idea es analizar y desarrollar nuevas técnicas para el proceso de explicación de redes neuronales. Las técnicas actuales desarrolladas no tienen en cuenta el factor humano y los resultados que ofrecen no garantizan que sean usables en situaciones del mundo real. Por eso, en este objetivo, pretendemos incluir dicho factor humano en el proceso y analizar y desarrollar técnicas de explicación de los modelos de ML que sean comprensibles por los usuarios de dichos modelos.
3. Usar las técnicas HITL-ML en problemas reales y complejos dentro del ámbito médico. Consiste en aplicar los desarrollos de los objetivos anteriores a problemas reales y concretos del dominio médico. En concreto, se plantea aplicarlos a la investigación del cáncer pancreático desarrollando diversas tareas, como pueden ser la caracterización genómica, la búsqueda de marcadores biológicos de pronóstico y/o la identificación de nuevos subtipos que nos lleven a un mejor tratamiento del paciente oncológico.