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 (XAI) et à la transparence des modèles
- Qu'est-ce que l'IA explicable ?
- Pourquoi la transparence est-elle importante dans les systèmes d'IA ?
- Interprétabilité et performance des modèles d'IA
Aperçu des techniques d'IAO
- Méthodes agnostiques : SHAP, LIME
- Techniques d'explicabilité spécifiques aux modèles
- Expliquer les réseaux neuronaux et les modèles d'apprentissage profond
Construire des modèles d'IA transparents
- Mise en œuvre de modèles interprétables dans la pratique
- Comparaison des modèles transparents et des modèles à boîte noire
- Équilibrer la complexité et l'explicabilité
Outils et bibliothèques XAI avancés
- Utilisation de SHAP pour l'interprétation des modèles
- Exploitation de LIME pour l'explicabilité locale
- Visualisation des décisions et des comportements des modèles
L'équité, la partialité et l'éthique de l'IA
- Identifier et atténuer les biais dans les modèles d'IA
- L'équité dans l'IA et ses impacts sociétaux
- Garantir la responsabilité et l'éthique dans le déploiement de l'IA
Applications de l'IAO dans le monde réel
- Études de cas dans les domaines de la santé, de la finance et de l'administration
- Interprétation des modèles d'IA pour la conformité réglementaire
- Instaurer la confiance avec des systèmes d'IA transparents
Orientations futures de l'IA explicable
- Recherches émergentes dans le domaine de l'IAO
- Défis liés à la mise à l'échelle de l'IAO pour les systèmes à grande échelle
- Opportunités pour l'avenir de l'IA transparente
Résumé et prochaines étapes
Pré requis
- Expérience dans l'apprentissage automatique et le développement de modèles d'IA
- Familiarité avec la programmation Python.
Audience
- Scientifiques des données
- Ingénieurs en apprentissage automatique
- Spécialistes de l'IA
21 Heures
