Description
Date depot: 9 septembre 2021
Titre: Exploitation d’un cadre formel logique pour améliorer l’explicabilité des modèles d’apprentissage machine
Directrice de thèse:
Salima BENBERNOU (LIPADE)
Directeur de thèse:
Mourad OUZIRI (LIPADE)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Données et connaissances
Resumé: C 'est une thèse en collaboration avec le groupe industriel SAP.
Dans le cadre de ce projet entre SAP et Le Laboratoire Informatique Paris Descartes (LIPADE), nous proposons d’étudier un ensemble de problèmes de la génération automatique de variables et l’exploitation des connaissances métiers au profit de cette dernière. En effet, L’interprétabilité métier d’une variable constitue un critère pertinent lors de la sélection des paramètres d’un modèle de Machine Learning, son évaluation revient à un problème de prise de décision. Ainsi, pour répondre aux problèmes fonctionnels liés à cette interprétabilité, notre objectif principal dans la thèse consiste à mettre en œuvre une alliance entre l’intelligence artificielle statistique et l’intelligence artificielle symbolique, dans le but d’alimenter la génération automatique de variables avec une sémantique afin d’introduire la notion d’explicabilité (interprétabilité) des variables. Autrement dit, l’objectif de la thèse est la génération de features explicables en exploitant les connaissances à notre disposition : modèle de calcul, métadonnées, comportement de calcul, connaissance des processus métier où ces données sont utilisées, etc. Par conséquent, ceci va améliorer la fiabilité et la pertinence des réponses aux requêtes des utilisateurs métiers.
Doctorant.e: Bouadi Mohamed