Rendre l'IA fiable et explicable
L'objectif de cette formation est de sensibiliser les participants aux obstacles et difficultés que peut entraîner l’utilisation d’algorithmes de Machine Learning et plus spécifiquement de Deep Learning.
Ce stage dure une demie-journée (4 heures).
Il inclut une partie théorique importante ainsi que de débats et d'exercices d'application.
Cette formation sera constituée d’une partie théorique importante afin de permettre aux participants d’acquérir les connaissances nécessaires sur le sujet. Ce temps sera rythmé par des débats et des questions / réponses pour que les participants puissent prendre pleinement possession du sujet.
Niveau du stage : Perfectionnement
Cette formation s’adresse aux débutants souhaitant acquérir des connaissances sur les défis qu’entraîne l’utilisation croissante de l’intelligence artificielle.
Module impératif en amont : « DATA SCIENCE » (ARF 043)
ANIMATEUR TITULAIRE :
Maxime Carrere
Data Scientist Confirmé,
- Dr en Intelligence Artificielle, Ingénieur en science informatique
- 5 ans d’expérience
- Près de 350 heures de formation délivrées
- Formation en Anglais ou Français
CO-ANIMATEUR :
Pierre Leroy
Data Scientist Junior,
- Mastère en Data Science
- 2 ans d’expérience
- Près de 50 heures de formation délivrées
- Formation en Français
Mathieu Damour
Responsable technique, Data Scientist Confirmé,
- Master en Biostatistique
- 7 ans d’expérience
- Près de 1960 heures d’enseignement et formation
- Qualification des systèmes
- À l’aube de la 4ème révolution industrielle, de nombreux industriels appellent à l’intégration de systèmes d’Intelligence Artificielle dans leur process. Cette intégration s’accompagne de nombreux obstacles qu’il convient de savoir identifier au plus tôt afin de limiter l’effet déceptif souvent porté par les nouvelles technologies, ainsi que les éventuelles atteintes à la qualité des services et produits des industriels.
Durant ce module, nous fournirons les éléments clés à contrôler afin d’optimiser l’intégration de l’IA dans un processus, et notamment la détermination du niveau de performance à spécifier au regard du cas d’usage. Cet exemple spécifique représente un aspect primordial permettant d’améliorer la qualité des produits, tout en réduisant les coûts de développement et le rendement.
- À l’aube de la 4ème révolution industrielle, de nombreux industriels appellent à l’intégration de systèmes d’Intelligence Artificielle dans leur process. Cette intégration s’accompagne de nombreux obstacles qu’il convient de savoir identifier au plus tôt afin de limiter l’effet déceptif souvent porté par les nouvelles technologies, ainsi que les éventuelles atteintes à la qualité des services et produits des industriels.
- Certification des produits
- L’intelligence artificielle par Machine Learning offre un panel de solutions à forte valeur ajoutée pour l’automatisation de tâches complexes, et ce faisant constitue une alternative pertinente pour compléter/remplacer des systèmes classiques à moindres coûts computationnels. Toutefois, les modèles de Machine Learning reposent sur de l’extraction d’information dans un ensemble de données : cette caractéristique s’accompagne d’un risque d’incertitude et de biais dans les décisions du modèle en milieu critique.
Dans ce module, nous présenterons l’état de l’art de la certification des systèmes de Machine Learning, c’est à dire les méthodes et approches envisagées pour apporter des gages de confiance dans le déploiement de ces algorithmes à des responsabilités critiques.
- L’intelligence artificielle par Machine Learning offre un panel de solutions à forte valeur ajoutée pour l’automatisation de tâches complexes, et ce faisant constitue une alternative pertinente pour compléter/remplacer des systèmes classiques à moindres coûts computationnels. Toutefois, les modèles de Machine Learning reposent sur de l’extraction d’information dans un ensemble de données : cette caractéristique s’accompagne d’un risque d’incertitude et de biais dans les décisions du modèle en milieu critique.
- Explicabilité de l’IA
- La confiance envers un système repose, entre autres, sur notre capacité à en comprendre le raisonnement et la conclusion. Derrière cette quête de l’explicabilité d’un modèle, se cache le graal de la certification : la preuve que nous pouvons avoir confiance dans un modèle d’IA, par exemple pour accomplir sa tâche en se reposant sur les bons éléments.
Durant ce module, nous évoquerons les méthodes d’explicabilité locales et globales, leurs applications concrètes sur des cas d’usage, ainsi que les pistes de travail actuellement parcourues par les équipes de recherche.
- La confiance envers un système repose, entre autres, sur notre capacité à en comprendre le raisonnement et la conclusion. Derrière cette quête de l’explicabilité d’un modèle, se cache le graal de la certification : la preuve que nous pouvons avoir confiance dans un modèle d’IA, par exemple pour accomplir sa tâche en se reposant sur les bons éléments.
- Sécurité des données et des systèmes
- La sécurité des données et des traitements constitue une problématique très actuelle, et l’intelligence artificielle n’y échappe pas. Nous verrons en quoi les modèles de Machine Learning peuvent être vulnérables à certaines formes d’attaque qui peuvent modifier leurs comportements.
à TOULOUSE : nous consulter (ancienne date : Le 18 Avril 2023)
410 € HT (TVA 20 %) voir conditions générales