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 Explicative (XAI) et la Transparence des Modèles
- Qu'est-ce que l'IA Explicative ?
- Pourquoi la transparence est-elle importante dans les systèmes d'IA ?
- Interprétabilité versus performance des modèles d'IA
Aperçu des Techniques de XAI
- Méthodes non spécifiques aux modèles : SHAP, LIME
- Techniques d'explicabilité spécifiques au modèle
- Explication des réseaux de neurones et des modèles d'apprentissage profond
Création de Modèles d'IA Transparentes
- Mise en œuvre pratique de modèles interprétables
- Comparaison entre les modèles transparents et les modèles boîte noire
- Équilibre entre la complexité et l'explicabilité
Outils Avancés et Bibliothèques de XAI
- Utilisation de SHAP pour l'interprétation des modèles
- Utilisation de LIME pour l'explicabilité locale
- Visualisation des décisions et comportements des modèles
Traiter la Justesse, le Biais et l'Éthique dans l'IA
- Identification et atténuation du biais dans les modèles d'IA
- La justesse en IA et ses impacts sociétaux
- Assurer la responsabilité et l'éthique lors de la mise en œuvre de l'IA
Applications Pratiques de XAI
- Études de cas dans le domaine de la santé, des finances et du gouvernement
- Interprétation des modèles d'IA pour une conformité réglementaire
- Construire la confiance avec les systèmes d'IA transparents
Directions Futures dans l'IA Explicative
- Recherches émergentes en XAI
- Défis liés à la mise à l'échelle de XAI pour les grands systèmes
- Opportunités pour l'avenir de l'IA transparente
Résumé et Prochaines Étapes
Pré requis
- Expérience en apprentissage automatique et développement de modèles d'IA
- Familiarité avec la programmation Python
Public cible
- Scientifiques des données
- Ingénieurs en apprentissage automatique
- Spécialistes de l'IA
21 Heures