Franco-Singaporean Workshop on eXplainable & Actionable AI

Workshop international coordonné par Aikaterini Tzompanaki, laboratoire ETIS.

Au cours des dernières années. des méthodes d'intelligence Artificielle Explicable (xAI) ont été développées spécialement dans le but de rendre transparents, interprétables et compréhensibles les modèles d'apprentissage automatique opaques (par exemple. !'Apprentissage Profond (AP)). Cependant. dans de nombreux cas d'utilisation réelle, tels que le débogage des modèles AP, le nettoyage des données d'entraînement ou le transfert de modèles entre domaines, établir simplement la transparence, l'interprétabilité et la compréhensibilité ne suffit pas pour agir sur et apprendre des modèles ML ou des données utilisées pour les entraîner.

L'Actionable xAI (aXAI) se concentre sur les méthodes xAI qui soutiennent une prise de décision plus sûre et plus efficace dans divers domaines (la santé. l'agriculture de précision, la sécurité ... ). En particulier, l'aXAI se concentre sur des formes d'explications plus expressives qui peuvent répondre non seulement aux questions du pourquoi (Pourquoi obtenons-nous une prédiction spécifique pour une donnée d'entrée donnée?), mais aussi du pourquoi-pas (pourquoi n'obtenons-nous pas une prédiction alternative pour une donnée d'entrée particulière), du comment (quelles sont les actions nécessaires pour changer la prédiction de données d'entrée spécifiques?) et et-si (quels sont les ensembles d'actions nécessaires et minimaux sur les données d'entrée nécessaires pour obtenir une prédiction alternative?). Les réponses à ces questions sont cruciales pour agir sur les modèles et les données utilisés dans diverses tâches de classification. de régression ou de recommandation.


Pour plus d'information