Data-Driven Global Sensitivity Analysis for Engineering Design Based on Individual Conditional Expectations

Este artículo propone un nuevo método de análisis de sensibilidad global basado en las curvas de Expectación Condicional Individual (ICE) para superar las limitaciones de los Gráficos de Dependencia Parcial (PDP) en la presencia de interacciones fuertes, demostrando mediante pruebas matemáticas y casos de estudio en ingeniería que esta aproximación ofrece una visión más rica y precisa de la importancia de las características en modelos de aprendizaje automático.

Lo esencial

¡Hola! Imagina que eres un ingeniero de diseño de aviones o turbinas eólicas. Tienes un modelo de computadora súper complejo (una "caja negra") que te dice cómo se comportará tu diseño. Pero, ¿cómo sabes por qué toma esas decisiones? ¿Qué variable es la más importante: el viento, la forma del ala o el ángulo de ataque?

Este artículo presenta una nueva forma de entender esas "cajas negras" usando una técnica llamada Análisis de Sensibilidad Global basado en Expectativas Condicionales Individuales (ICE).

Aquí te lo explico con analogías sencillas:

1. El Problema: El "Promedio" Miente

Imagina que quieres saber cómo afecta la velocidad del viento a la energía que produce una turbina.

• El método antiguo (PDP): Es como preguntar a 100 personas: "¿Qué pasa si aumenta el viento?" y luego promediar sus respuestas.
  • El truco: Si para la mitad de las personas el viento fuerte es bueno (más energía) y para la otra mitad es malo (la turbina se rompe), el promedio dirá: "No pasa nada, la línea es plana". ¡Pero eso es mentira! Oculta el peligro real. El promedio "cancela" los efectos opuestos.

2. La Solución: Mirar a Cada Individuo (ICE)

En lugar de promediar todo de golpe, el nuevo método (ICE) mira a cada persona individualmente antes de promediar.

• La analogía: Imagina que en lugar de una sola línea de promedio, dibujas 100 líneas diferentes, una por cada condición de viento.
  • Ves que algunas líneas suben mucho, otras bajan y otras se quedan planas.
  • Al ver todas las líneas juntas, te das cuenta: "¡Ah! El viento es muy importante, pero su efecto depende totalmente de qué tan fuerte sea la ola del mar".

3. Las Nuevas Herramientas (Los "Termómetros" de la Interacción)

Los autores crearon dos nuevas métricas (números) para cuantificar lo que ven en esas líneas:

• A. La Importancia Promedio (µIice):

  • Es como medir qué tan "vibrante" o "movida" es la mayoría de las líneas. Si las líneas suben y bajan mucho, el variable es muy importante. Esto corrige el error del método antiguo que decía que el viento no importaba porque el promedio era plano.

• B. La Desviación Estándar (σIice) - El "Caos":

  • Esta es la parte genial. Mide cuánto se desvían las líneas individuales entre sí.
  • Analogía: Imagina un grupo de corredores.
    • Si todos corren a la misma velocidad (líneas paralelas), no hay "interacción" extraña.
    • Si unos corren rápido, otros lento y otros se detienen (líneas cruzadas y desordenadas), significa que hay una interacción fuerte. Algo más (como la ola del mar) está cambiando drásticamente cómo actúa el viento.
  • Este número te dice: "Oye, este variable es importante, pero su efecto cambia locamente dependiendo de otros factores".

• C. La Correlación (σρ) - El "Cambio de Dirección":

  • Mide si las líneas individuales siguen la misma dirección que el promedio o si se vuelven locas.
  • Si el promedio dice "sube" pero la mitad de las líneas dicen "baja", este número te avisa: "¡Cuidado! La relación es confusa y no lineal".

4. ¿Por qué es útil para la ingeniería?

En el diseño de aviones o turbinas, no basta con saber "qué variable es importante". Necesitas saber cómo interactúan.

• Ejemplo real del paper: En un ala de avión, cambiar un pequeño parámetro de la parte superior del ala podría ser genial en un ángulo de ataque, pero terrible en otro.
• El método antiguo (PDP) diría: "Ese parámetro no importa mucho" (porque el promedio es plano).
• El nuevo método (ICE) grita: "¡Es muy importante! Pero su efecto depende totalmente del ángulo de ataque. Si no lo controlas, el avión puede perder sustentación".

En resumen

Este paper nos dice: "Dejen de confiar ciegamente en los promedios".
Para entender modelos complejos de ingeniería, debemos mirar la diversidad de los resultados individuales.

• PDP (Antiguo): Es como ver una foto borrosa de una multitud.
• ICE (Nuevo): Es como ver a cada persona en la multitud y entender sus movimientos individuales.

Gracias a esto, los ingenieros pueden tomar decisiones más seguras, evitando sorpresas desagradables donde una interacción oculta podría causar fallos en el diseño. ¡Es como pasar de ver el mapa en blanco y negro a ver el mundo en 3D con todos sus detalles!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Análisis de Sensibilidad Global Basado en Datos para el Diseño de Ingeniería Mediante Expectativas Condicionales Individuales (ICE)

1. Planteamiento del Problema

En el diseño de ingeniería moderno, especialmente en aeroespacial, los modelos de simulación de alta fidelidad son computacionalmente costosos, lo que obliga a utilizar modelos sustitutos (surrogate models) (como regresión polinómica, Kriging o redes neuronales) para la optimización y el análisis de incertidumbre.

El desafío principal radica en la Análisis de Sensibilidad Global (GSA) y la interpretabilidad de estos modelos "caja negra":

• Las técnicas tradicionales, como los Índices de Sobol', cuantifican la contribución de la varianza de cada variable de entrada, pero no revelan la forma funcional de la relación entrada-salida (no linealidades locales o estructuras de interacción detalladas).
• Las Gráficas de Dependencia Parcial (PDP) son populares para visualizar el efecto promedio de una variable. Sin embargo, tienen una limitación crítica: al promediar los efectos de otras variables, pueden enmascarar interacciones fuertes. Si una variable tiene efectos opuestos en diferentes regiones del espacio de entrada (ej. positiva en un subconjunto y negativa en otro), el promedio puede resultar en una línea plana, sugiriendo erróneamente que la variable es irrelevante.
• Métodos como SHAP (Shapley Additive exPlanations) ofrecen atribuciones locales robustas, pero su agregación global puede ocultar la heterogeneidad de las instancias y su base teórica (teoría de juegos) puede ser menos intuitiva para ingenieros que las gráficas de dependencia.

2. Metodología Propuesta

Los autores proponen un marco de trabajo que utiliza las Curvas de Expectativa Condicional Individual (ICE) para superar las limitaciones de las PDP y desarrollar nuevas métricas de sensibilidad cuantitativa.

• Concepto Base: Mientras que una PDP muestra la media de las predicciones al variar una variable, una curva ICE traza la respuesta del modelo para una instancia específica (manteniendo las demás variables fijas). Esto revela la heterogeneidad oculta por el promediado.

• Nuevas Métricas de Sensibilidad Basadas en ICE:

  1. Importancia de Característica ICE ($\mu_{Iice}$): Se calcula la desviación estándar de cada curva ICE individual (medida de su variabilidad) y luego se promedian estas desviaciones a través de todas las instancias. A diferencia de la importancia basada en PDP ($I_{pdp}$), que mide la dispersión de la media condicional, $\mu_{Iice}$ promedia la magnitud de las variaciones individuales, evitando que efectos heterogéneos se cancelen mutuamente.
  2. Dispersión de la Importancia ICE ($\sigma_{Iice}$): Se calcula la varianza de las métricas de importancia individuales ($I_{ice}$) a través de las diferentes realizaciones de las variables complementarias. Un valor alto indica que el impacto de la variable de entrada depende fuertemente de los valores de las otras variables, cuantificando así la fuerza de las interacciones.
  3. Valor de Correlación ICE ($\sigma_{\rho}$): Mide la desviación estándar de la correlación (Pearson) entre cada curva ICE y la PDP correspondiente. Un valor alto indica que las curvas ICE divergen significativamente de la tendencia promedio (PDP), señalando interacciones que modifican la relación entrada-salida o cambian la no linealidad.

• Fundamento Teórico:

  • Los autores demuestran matemáticamente que, bajo expansiones ortogonales de polinomios truncados (como los usados en los modelos de caos polinomial, PCE), la sensibilidad basada en PDP es una cota inferior de la métrica propuesta basada en ICE: $E[I_{ice}] \geq I_{pdp}$.
  • Esto garantiza que la nueva métrica nunca subestime la importancia de una variable en presencia de interacciones complejas.

• Flujo de Trabajo:

  1. Entrenar un modelo sustituto (usando PCE en los casos de estudio).
  2. Generar curvas ICE y PDP.
  3. Calcular las métricas $\mu_{Iice}$, $\sigma_{Iice}$ y $\sigma_{\rho}$.
  4. Interpretar visualmente las curvas y cuantitativamente las métricas para identificar variables críticas e interacciones.

3. Contribuciones Clave

• Nueva Métrica de Sensibilidad Global: Introducción de $\mu_{Iice}$ y $\sigma_{Iice}$ como métricas escalares que capturan tanto el efecto promedio como la heterogeneidad de las interacciones, superando la limitación de cancelación de efectos de las PDP.
• Prueba Matemática de Cota Inferior: Demostración formal de que la sensibilidad basada en PDP es una cota inferior de la sensibilidad basada en ICE para una amplia clase de funciones (incluyendo polinomios multivariados), validando teóricamente la superioridad de la nueva métrica en la detección de variables importantes.
• Métrica de Correlación para Interacciones: Desarrollo de $\sigma_{\rho}$ para cuantificar cómo las interacciones alteran la tendencia funcional (cambios de signo o pendiente) entre entradas y salida.
• Integración de Visualización y Cuantificación: Propuesta de un marco unificado que combina la intuición visual de las curvas ICE/PDP con índices cuantitativos automatizables para la clasificación de variables en diseño de ingeniería.

4. Resultados y Validación

El método se evaluó en tres casos de estudio comparándolo con Índices de Sobol', SHAP y PDP tradicional:

1. Función Analítica de 5 Variables (Friedman):

   • El método identificó correctamente la interacción entre $x_1$ y $x_2$.
   • Mientras que $I_{pdp}$ y los índices de Sobol' de primer orden subestimaron la importancia de las variables interactuantes, $\mu_{Iice}$ capturó su relevancia completa.
   • $\sigma_{Iice}$ fue cero para variables sin interacción y alto para las interactuantes, confirmando la detección de heterogeneidad.

2. Problema de Fatiga de Turbina Eólica (5 Variables):

   • Se analizó el momento de flexión de la torre. La velocidad del viento ($V_{hub}$) fue la variable más importante, pero la dirección del viento ($\theta_w$) y la altura de la ola ($H_s$) mostraron una fuerte heterogeneidad de interacción ($\sigma_{Iice}$ alto).
   • Las curvas ICE revelaron que el impacto de la altura de la ola es no lineal y depende fuertemente de la dirección del viento, algo que las PDP planas no mostraban claramente.

3. Base de Datos Aerodinámica de Perfiles Alares (9 Variables):

   • Se analizó el coeficiente de arrastre ($C_d$) en función de parámetros CST (Class-Shape Transformation) y ángulo de ataque.
   • Los parámetros de la superficie superior dominaron la generación de arrastre.
   • Se observó que los parámetros de la superficie inferior ($A_{l,1}, A_{l,4}$) tenían una $I_{pdp}$ muy baja (casi plana) debido a correlaciones positivas y negativas que se cancelaban, pero $\mu_{Iice}$ reveló su verdadera importancia.
   • $\sigma_{\rho}$ indicó que las interacciones modificaban significativamente la tendencia de las curvas ICE para los parámetros de la superficie inferior, mientras que los de la superficie superior mantuvieron tendencias más estables.

En todos los casos, las métricas ICE proporcionaron una visión más rica que las PDP tradicionales y complementaron a SHAP y Sobol', ofreciendo una perspectiva única sobre el comportamiento condicional del modelo.

5. Significado e Impacto

• Mejora en la Toma de Decisiones de Diseño: Permite a los ingenieros identificar variables críticas que de otro modo parecerían irrelevantes debido a efectos de cancelación en promedios globales.
• Comprensión de Interacciones Complejas: Proporciona una herramienta cuantitativa para entender no solo qué variables son importantes, sino cómo interactúan y modifican la respuesta del sistema, crucial para diseños aeroespaciales no lineales.
• Puente entre IA Explicable y Análisis de Sensibilidad: Unifica el campo de la IA explicable (XAI) con el análisis de sensibilidad tradicional, ofreciendo métricas escalares derivadas de métodos visuales que son compatibles con flujos de trabajo automatizados de diseño.
• Limitaciones y Futuro: El método asume variables de entrada independientes (lo cual es razonable para estudios paramétricos de diseño). El trabajo futuro se dirige a integrar estas métricas en marcos de optimización y a cuantificar la incertidumbre derivada de los errores de los modelos sustitutos.

En resumen, el artículo presenta una evolución significativa en el análisis de sensibilidad para ingeniería, transformando las curvas ICE de herramientas puramente visuales a fuentes de métricas cuantitativas robustas para la exploración de diseños complejos.