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 de l'XAI
- Examen des méthodes de base de l'XAI
- Défis liés à l'interprétation de modèles d'IA complexes
- Tendances en matière de recherche et de développement dans le domaine de l'IAO
Techniques d'explicabilité agnostiques
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explications d'ancrage
Techniques d'explicabilité spécifiques au modèle
- Propagation de la pertinence par couches (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Méthodes basées sur les gradients (Grad-CAM, gradients intégrés)
Explication des modèles Deep Learning
- Interprétation des réseaux neuronaux convolutifs (CNN)
- Explication des réseaux neuronaux récurrents (RNN)
- Analyse des modèles basés sur les transformateurs (BERT, GPT)
Traitement des problèmes d'interprétabilité
- Prise en compte des limites des modèles de boîte noire
- Équilibrer la précision et l'interprétabilité
- Traiter les biais et l'équité dans les explications
Applications de l'IAO dans les systèmes du monde réel
- L'IAO dans les soins de santé, la finance et les systèmes juridiques
- Réglementation de l'IA et exigences de conformité
- Renforcer la confiance et la responsabilité grâce à l'IAO
Tendances futures de l'IA explicable
- Techniques et outils émergents dans le domaine de l'IAO
- Modèles d'explicabilité de nouvelle génération
- Opportunités et défis en matière de transparence de l'IA
Résumé et prochaines étapes
Pré requis
- Solide compréhension de l'IA et de l'apprentissage automatique
- Expérience des réseaux neuronaux et de l'apprentissage profond
- Familiarité avec les techniques XAI de base
Audience
- Chercheurs expérimentés en IA
- Ingénieurs en apprentissage automatique
21 Heures
