Intelligence artificielle de confiance : maîtriser le développement de systèmes d’IA de confiance Présentiel

1er jour

• Théorie de l'apprentissage automatique (apprentissage supervisé ou non, modèles courants)
• Distinguer les IA prédictives des IA génératives
• TP : Application sur données bancaires avec XGBoost et Scikit-learn
• Présentation du problème du biais : exemples et définitions
• Que dit le Droit ?
• Comment quantifier les biais ?
• Biais globaux vs biais locaux
• TP : Quantification des biais sur l'exemple des données bancaires

2ème jour

• Auditer les algorithmes et se mettre en conformité
• Réparer les algorithmes
• TP : Application de la réparation sur données bancaires
• Théorie des réseaux de neurones (architectures, backpropagation, batch-training)
• TP : Application sur le jeu d'images « Dogs vs Cats » et le jeu NLP « Bios » avec PyTorch
• Robustesse des décisions et problème des attaques
• Que dit le Droit ?
• Principales méthodes d'explicabilité (LIME, SHAP, GradCAM)

3ème jour (matin)

• TP Explication des décisions sur les jeux « Dogs vs Cats » et « Bios »
• Mise en place d'une démarche de développement de systèmes d'IA de confiance

• Examiner la problématique du biais dans les données et dans les algorithmes prédictifs (niveau 4 - Analyse)
• Comprendre les principales stratégies d'explicabilité des décisions de réseaux de neurones (niveau 4 - Analyse)
• Illustrer les nécessités juridiques des règlementations nationales et européennes liées à la prise de décision par IA (niveau 3 - Application)
• Considérer les démarches à suivre pour développer un système d'IA de confiance (niveau 5 - Evaluation)
• Illustrer la théorie dans des cas d'usages précis (niveau 3 - Application)

Equipement : 

• PC/MAC
• Python installé
• Scikit-learn ou XGBoost installé
• PyTorch installé

Les transparents seront remis aux participants sous forme de fichiers PDF.
Les TP corrigés seront remis aux participants sous forme de notebooks Python.