Atelier animé par Christophe Denis, maître de conférence, Sorbonne Université, LIP6

Explicabilité en apprentissage des concepts en philosophie des sciences, en statistiques et informatique jusqu'aux études de cas.

Objectifs du groupe de travail :

L’amélioration des techniques de traitement de l'information a fortement amélioré la numérisation de nombreux secteurs de notre société, impactant également le monde scientifique. Depuis les travaux fondateurs de Galilée sur la mathématisation du monde, les connaissances scientifiques se sont considérablement améliorées grâce à l’approche hypothético-déductive qui décrit la physique réelle d’un phénomène par un modèle utilisant le plus souvent des équations mathématiques. Cependant, l’approche hypothético-déductive atteint certaines limites pour prédire et expliquer des phénomènes plus complexes et parfois couplés. Dans le même temps, en 2010, l’apprentissage machine a produit des résultats spectaculaires dans le domaine de la reconnaissance de formes, par exemple pour bouleverser radicalement la discipline du traitement du signal. Cependant, l’utilisation de l’apprentissage machine pose des problèmes opérationnels, juridiques et éthiques. L’un des principaux défis est de fournir des explications éthiques aux résultats générés par une application basée sur l’apprentissage machine considérée comme une boîte noire. L’objectif de cet atelier est de présenter les concepts clés de l’explicabilité de l’apprentissage machine à la fois en présentant des notions essentielles en philosophie des sciences à relier aux méthodes informatiques utilisées pour extraire des informations des prédictions des réseaux de neurones.

Organisation de l’atelier

Seconde séance du 13 octobre :

• Présentation d’une palette de méthodes informatiques permettant d’extraire de l’information de méthodes d’apprentissage machine.
• Test de ces méthodes sur les cas d’usage.

Des cas d’usage génériques seront proposés sur cet atelier pour tester les méthodes. Toutefois, les participantes et les participants sont invités à proposer et présenter lors de la première séance de l’atelier leurs propres cas d’usage.

Prérequis :

Connaissance de base en machine learning et en langage python

Besoins matériels :

Ordinateur portable disposant d’un environnement python, la distribution multi-plateforme Anaconda est recommandée