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 aux techniques avancées d'IA explicable
- Revue des méthodes de base d'IA explicable
- Défis liés à l'interprétation des modèles d'IA complexes
- Tendances en matière de recherche et développement de l'IA explicable
Techniques d'explicabilité indépendantes du modèle
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explications par ancres
Techniques d'explicabilité spécifiques à un modèle
- Propagation de la pertinitude couche par couche (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Méthodes basées sur les gradients (Grad-CAM, Gradients intégrés)
Explication des modèles d'apprentissage profond
- Interprétation des réseaux de neurones convolutifs (CNN)
- Explication des réseaux de neurones récurrents (RNN)
- Analyse des modèles basés sur des transformeurs (BERT, GPT)
Gestion des défis d'interprétabilité
- Surmonter les limites des modèles en « boîte noire »
- Équilibrer précision et interprétabilité
- Gérer les biais et l'équité dans les explications
Applications de l'IA explicable dans les systèmes réels
- IA explicable dans les secteurs de la santé, de la finance et du juridique
- Exigences réglementaires et de conformité en matière d'IA
- Construire la confiance et la responsabilité par l'IA explicable
Tendances futures en matière d'IA explicable
- Techniques et outils émergents en IA explicable
- Modèles d'explicabilité de nouvelle génération
- Opportunités et défis de la transparence de l'IA
Résumé et prochaines étapes
Pré requis
- Solide compréhension de l'IA et de l'apprentissage automatique
- Expérience avec les réseaux de neurones et l'apprentissage profond
- Familiarité avec les techniques de base de l'IA explicable
Public cible
- Chercheurs en IA expérimentés
- Ingénieurs en apprentissage automatique
21 Heures
Nos clients témoignent (1)
Le détails des formules mathématiques qui permet de mettre en exergues les biais et limites ainsi que les paramètres importants à prendre en compte Pour la mise en application pratique des méthodes LIME et SHAPE.
