Ateliers IA explicable

Vendredi 21 avril 2023 avait lieu à Rouen, au Hall 24, le 3ème et dernier de la série des 3 ateliers IA – Chaire Deepvision, organisé par le Pôle TES et Frédéric Jurie, Professeur à l’Université de Caen et expert en Computer Vision & Deep Learning.

Ces ateliers, ouverts à tous (professionnels de l’IA ou non) avaient pour but de vulgariser le fonctionnement de l’intelligence artificiel, comprendre ses mécanismes et explorer les domaines d’application de l’IA.

Une large place est consacrée aux échanges entre les participants. Ils sont organisés pour fonctionnement en présentiel, mais des liens visio permettent également de les suivre à distance. La participation est gratuite. Ils sont animés par Frédéric Jurie, professeur à l’Université de Caen Normandie.

Les thèmes des ateliers étaient les suivants :

• 1. IA de confiance : robustesse des modèles de deep learning

La question de la robustesse des réseaux de neurones se pose, car ces derniers sont souvent entraînés sur des données limitées et ne peuvent pas toujours généraliser correctement à de nouvelles données qui n’ont pas été vues lors de l’apprentissage. Cela peut se traduire par des erreurs de prédiction importantes. Cela les rend par ailleurs attaquables par des modifications appropriées données qu’ils doivent traiter ou par un empoisonnement des données d’entrainement. Nous aborderons ces questions au travers de cas concrets illustrés par des exemples.

• 2. Réalisation d’une chaine complète de deep learning

À travers un exemple concret, nous nous intéresserons à la question de la création d’une chaine complète de deep learning incluant : collecte et la préparation des données, conception du modèle, entraînement sur les données d’apprentissage, évaluation sur des données de validation, optimisation par ajustement des hyper-paramètres ou régularisation, déploiement en production soit sur un cloud public.

• 3. Les modèles génératifs en deep learning

À travers des exemples concrets, nous nous intéresserons à la question des modèles génératifs, qui, contrairement aux modèles prédictifs qui cherchent à prédire une valeur à partir de variables d’entrée, ont pour objectif de générer de nouvelles données qui « ressemblent » à celles de l’ensemble d’apprentissage. Ces modèles sont utilisés dans de nombreux domaines, tels que la création d’images, la synthèse de voix, la génération de textes ou encore la création de musique. Les modèles génératifs utilisent généralement des réseaux de neurones profonds, comme les réseaux de neurones récurrents ou les réseaux adversaires génératifs, pour apprendre la distribution des données d’apprentissage et générer de nouvelles données qui suivent cette même distribution.