Interprétabilité en intelligence artificielle

12 mai de 13h à 14h30 - Séminaire Cycle webinar

Séminaire en ligne

L'opacité de certains algorithmes de Machine Learning représente un enjeu fondamental pour la société mais aussi pour le développement futur de l'intelligence artificielle. En effet, les algorithmes actuels de Machine Learning traitent des données de plus en plus volumineuses ce qui rend difficile la possibilité d'interpréter leur fonctionnement interne. Or la capacité de rendre de compte des décisions algorithmiques est une composante fondamentale pour pouvoir construire une responsabilité partagée en IA. De nombreuses initiatives de recherche, appelées souvent XAI, cherchent à expliquer et interpréter les décisions algorithmiques par des méthodes quantitatives. Ce séminaire de recherche s'intéresse de manière transdisciplinaire à ces méthodes d'interprétation de l'IA et à la difficulté de les mettre en place. Les intervenants au séminaire sont Timothy Miller (Professeur à School of Computing and Information Systems à l'université de Melbourne et co-directeur du Centre of AI and Digital Ethics), Doaa Abu Elyounes (chercheuse au Harvard Law of School / Sciences Po Law of School), Jean-Marie John-Mathews (chercheur à l'Université Paris-Saclay)

Inscription
Le Cycle webinar de recherche de Good In Tech est un ensemble de séminaires de recherche où des chercheurs  présentent leurs travaux récents sur les axes de recherche de Good In Tech, à savoir l'innovation numérique responsable, le développement de technologies responsables et la gouvernance du numérique responsable.

Interventions
  • Timothy Miller, Professeur à School of Computing and Information Systems à l'université de Melbourne et co-directeur du Centre of AI and Digital Ethics : Explainable artificial intelligence: beware the inmates running the asylum
  • Doaa Abu Elyounes, Harvard Law of School / Sciences Po Law of School : Between Algorithmic Fairness and Algorithmic Explainability
  • Jean-Marie John-Mathews, Phd candidate at Université Paris-Saclay : Is Explainability a solution to address discrimination

Inscriptions

Inscription