Webinar #5 Program

En programmation traditionnelle, on avait coutume d’utiliser la mathématique et les méthodes formelles pour prouver que les applications critiques se comportaient comme escompté.

Avec l’Intelligence Artificielle, le moteur d’inférence peut très bien ne comporter aucun bogue et s’exécuter comme il se doit, mais que le résultat ne soit pas celui attendu.

En effet, les données qui ont servi à "éduquer" l’IA peuvent très bien introduire un biais cognitif.

Tout comme on aurait pu induire un erreur un enfant en lui donnant de mauvaises bases de raisonnement, une IA peut très bien reconnaitre des chats en analysant des images de chiens, si on lui a appris à reconnaitre les félins comme des "chiens".

Se pose alors la question de comment valider qu’une IA aura le comportement attendu dans tous les cas de figure ?

Et la question sous-jacente : comment avoir confiance en une IA ?

Ce sont les questions auxquelles nous tenterons de répondre au cours de ce webinaire.

Model vs Data Validation ou comment avoir confiance dans l’IA ?

• Philippe Wieczorek, Directeur R&D et Innovation, Minalogic
• Arnault Ioualalen, CEO and R&D director at Numalis
• Marie-Christine Rousset, Professeur à l'Université de Grenoble Alpes & Déléguée Scientifique au LIG et co-portrice de la chaire MIAI "Explainable and Responsible AI" 
  
  

  See the replay

  
  * The innovation board of MIAI@Grenoble Alpes
  
  

  ---