A transparência em algoritmos de Inteligência Artificial é o foco de um novo ramo de pesquisa, chamado Inteligência Artificial Explicável, o qual sugere que especialistas devam ser capazes de replicar os resultados encontrados pelo modelo, bem como atualizá-los quando os resultados não estão de acordo com seus conhecimentos prévios a respeito do domínio analisado. Redes Bayesianas são um tipo de modelo explicável construídos sobre o formalismo de teoria da probabilidade, capazes de executar com transparência tarefas de previsão, classificação e descobertas de sistemas baseadas em dados. No entanto, o aprendizado de Redes Bayesianas baseado em dados não é observável, dificultando a seleção de modelos quando não se há conhecimentos prévios do sistema. Este trabalho apresenta uma nova metodologia de aprendizado de Redes Bayesianas baseado em Monte Carlo via Cadeias de Markov, que fornece informações da credibilidade do modelo ao final do processo de aprendizado. A avaliação desta nova metodologia mostrou ser equivalentes a algoritmos tradicionais de aprendizagem de Redes Bayesianas, mas com maior observabilidade do modelo obtido e com benefícios no aprendizado com poucos dados.

Transparency in Artificial Intelligence algorithms is the focus of a new branch of research, called Explainable Artificial Intelligence, which suggests that specialists must be capable of replicating the results found by models, and also updating it when the results are not in agreement with their previous knowledge of the analyzed domain. Bayesian Networks are a type of explainable models built upon the formalism of probability theory, capable of executing in a transparent manner tasks of data-driven forecasting, classification and systems identification. However, data-driven Bayesian Networks learning is not observable, which makes it difficult to select models in cases when there is not previous knowledge available of the system. This work presents a new Bayesian Networks learning methodology based in Markov chain Monte Carlo, which provides model credibility at the end of the learning process. The evaluation of this new methodology showed it is equivalent to traditional Bayesian Networks learning algorithms, but with greater observability of the obtained model and with improvement in the learning with less data.