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 en IA Explicative (XAI)
- Révision des méthodes de base XAI
- Défis dans l'interprétation des modèles d'IA complexes
- Tendances en recherche et développement XAI
Techniques d'Explicabilité Indépendantes du Modèle
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explications de type Ancre (Anchor explanations)
Techniques d'Explicabilité Spécifiques au Modèle
- Propagation pertinente 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 (CNNs)
- Explication des réseaux de neurones récurrents (RNNs)
- Analyse des modèles basés sur les transformateurs (BERT, GPT)
Gestion des Défis d'Interprétabilité
- Élimination des limites des modèles à boîte noire
- Équilibre entre précision et interprétabilité
- Gestion de la biais et de l'équité dans les explications
Applications XAI dans les Systèmes du Monde Réel
- XAI dans la santé, la finance et les systèmes juridiques
- Régulation de l'IA et exigences de conformité
- Construction de confiance et de responsabilité par le biais du XAI
Tendances Futures en IA Explicative
- Techniques et outils émergents en XAI
- Modèles d'explicabilité de nouvelle génération
- Opportunités et défis dans la transparence de l'IA
Résumé et Étapes Suivantes
Pré requis
- Compréhension solide de l'IA et de l'apprentissage automatique
- Expérience avec les réseaux neuronaux et l'apprentissage profond
- Familiarité avec les techniques XAI de base
Public cible
- Chercheurs en IA chevronnés
- Ingénieurs en apprentissage automatique
21 Heures
