Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à l'IA explicable
- Qu'est-ce que l'IA explicable (XAI) ?
- Importance de la transparence dans les modèles d'IA
- Principaux défis en matière d'interprétabilité de l'IA
Techniques de base de l'IAO
- Méthodes agnostiques : LIME, SHAP
- Méthodes d'explicabilité spécifiques aux modèles
- Explication des décisions prises par les modèles à boîte noire
Travaux pratiques avec les outils XAI
- Introduction aux bibliothèques XAI open-source
- Implémentation de XAI dans des modèles simples d'apprentissage automatique
- Visualisation des explications et du comportement des modèles
Les défis de l'explicabilité
- Compromis entre précision et interprétabilité
- Limites des méthodes XAI actuelles
- Gestion des biais et de l'équité dans les modèles explicables
Considérations éthiques dans l'IAO
- Comprendre les implications éthiques de la transparence de l'IA
- Équilibrer l'explicabilité et la performance du modèle
- Préoccupations en matière de protection de la vie privée et des données dans l'IAO
Applications de l'IAO dans le monde réel
- L'IA X dans les soins de santé, la finance et l'application de la loi
- Exigences réglementaires en matière d'explicabilité
- Renforcer la confiance dans les systèmes d'IA par la transparence
Concepts avancés de l'IAO
- Explorer les explications contrefactuelles
- Expliquer les réseaux neuronaux et les modèles d'apprentissage profond
- Interpréter les systèmes d'IA complexes
Tendances futures de l'IA explicable
- Techniques émergentes dans la recherche XAI
- Défis et opportunités pour la transparence future de l'IA
- Impact de l'IAO sur le développement responsable de l'IA
Résumé et prochaines étapes
Pré requis
- Compréhension de base des concepts d'apprentissage automatique
- Familiarité avec la programmation Python.
Public
- Débutants en IA
- Passionnés de science des données
14 Heures