Mon compte
Ma liste - 0
Catalogue
Ressources numériques
Nouveautés
Liens utiles
Mon compte
Recherche rapide
Recherche avancée
Recherche alphabétique
Historique
Information
Recherche
Auteur
Titre
Sujet
Titre de revue
Collection
Cotes BU
Cotes ENSEA
Cotes IUFM
Modifier la recherche
>
CERGY
Elargir la recherche
Parcourir le catalogue
par auteur:
Racoceanu , Daniel
Ounissi , Mehdi
Kergosien , Yannick L.
Affichage MARC
Auteur :
Racoceanu , Daniel
Ounissi , Mehdi
Kergosien , Yannick L.
Titre :
Explicabilité en Intelligence Artificielle : vers une IA Responsable Instanciation dans le domaine de la santé , Daniel Racoceanu, Mehdi Ounissi, Yannick L. Kergosien
Notes :
Référence de l'article : h5030
Volume : Base documentaire : TIP402WEB
Date de l'article : 10/12/2022
Publié dans : Techniques de l'ingénieur. Technologies logicielles Architectures des systèmes
Sans une réelle explicabilité des algorithmes proposés, les technologies d'Intelligence artificielle et d'apprentissage profond sont une boîte noire pour les utilisateurs. Les ingénieurs exploitants et concepteurs d'outils d'IA doivent donc faire preuve de responsabilité, en fournissant des algorithmes permettant de garantir l'explicabilité des modèles proposés. Cet article présente les motivations d'une IA explicable, les principales caractéristiques du paysage conceptuel de l'explicabilité en IA, les grandes familles de méthodes pour l'explicabilité - avec un focus sur quelques méthodes parmi les plus courantes, pour finir sur un aperçu des opportunités, challenges et perspectives de ce domaine passionnant de l'interaction homme-machine
URL:
https://www.techniques-ingenieur.fr/base-documentaire/technologies-de-l-information-th9/intelligence-artificielle-42679210/explicabilite-en-intelligence-artificielle-vers-une-ia-responsable-h5030/
https://doi.org/10.51257/a-v1-h5030
Exemplaires
Pas de données exemplaires
Pour toute question,
contactez la bibliothèque
Horizon Information Portal 3.25_france_v1m© 2001-2019
SirsiDynix
Tous droits réservés.
Mon compte
