Explicabilité

Louis Devillaine
 
Doctorant PACTE UGA & chaire éthique&IA 
 
Les avancées technologiques récentes en matière de collecte de données et de puissance calculatoires ont permis de construire des algorithmes très puissants capables de réaliser de nombreuses tâches avec peu d’erreurs. Parmi eux, les algorithmes d’apprentissage machine (ou machine learning) produisent des modèles dont la complexité est telle qu’il n’est pas toujours évident, même pour leurs concepteurs, d’expliciter les raisons qui permettent d’aboutir à certains résultats. Cela pose problème lorsqu’il s’agit de prendre des décisions assistées par ces outils. Pour y répondre, un nouveau champ de recherche émerge, celui de l’intelligence artificielle explicable, qui se donne pour objectif d’expliquer ces modèles algorithmiques opaques à l’entendement. Nous tenterons au cours de cette présentation de définir l’explicabilité en apprentissage machine sous un angle épistémologique, en considérant l’explication comme un processus à la fois cognitif et social. Nous proposerons de définir des critères d’explicabilité et verrons qu’elle tient plutôt d’un idéal inatteignable que d’une propriété à acquérir.

Chaque séance du séminaire dure 2 h. Exposé liminaire de 30 à 45 m, suivi d’une discussion avec les participant.es. Le séminaire constitue un espace de travail, l’objectif est de mettre collectivement en travail des hypothèses, plutôt que d’exposer des résultats.