Aujourd’hui nous mettons en ligne une nouvelle version de notre site web, sur le thème de « Osons l’IA ! » Nous nous apercevons qu’outre notre capacité à expliquer des modèles « boîte
AI-vidence a le plaisir et l’honneur de participer à l’organisation et l’animation du prochain séminaire ARISTOTE, le 18 janvier à l’Ecole Polytechnique. Journée impulsée par Bernard Monnier (MIM), épaulé de
Les 23 et 24 novembre derniers se sont déroulées les premières rencontres de l’IA à Marseille (#AIM), avec comme ambition de construire un pôle européen majeur à horizon 10 ans. Marseille comme prochaine capitale européenne de l’IA ?
L’explicabilité est clef. Beaucoup de structures sont engagées dans une transformation numérique. Ceci correspond généralement à : L’exploitation d’IA de confiance, avec ses spécificités, s’insère dans ce contexte plus global.
Depuis environ 6 mois, une large place a été faite dans l’actualité pour les « langageurs » (ou « LLMs », large langage models). Avec de formidables réussites, beaucoup d’espoirs d’usages nouveaux, en rupture…
… et apport de l’explication contextualisée La représentation la plus simple d’un « phénomène » que l’on cherche à modéliser se fait via des variables compréhensibles, et « statiques ». Cela est parfois suffisant
Xplique [1] est une bibliothèque Python dédiée à l’explicabilité de modèles d’intelligence artificielle, développée par l’IRT Antoine de Saint Exupéry [2] et l’Université Paul Sabatier à Toulouse. Bien qu’embarquant des
Cette réglementation s’inscrit dans la suite du RGPD. Elle détermine, tous secteurs confondus, la criticité des cas d’usage, selon 4 niveaux de risques : interdits à l’IA, à haut et
Confiance.ai est un collectif regroupant des acteurs publics et privés sur les enjeux de l’IA de confiance. Il est financé par le programme France2030 de l’Etat. Dans le cadre de
En juillet 2021, l’ACPR organisait un « tech sprint » sur l’explicabilité des modèles IA. AI-vidence, avec quelques partenaires (Nicolas Béguin de SoyHuce, Jean-Matthieu Schertzer.) ont pu tester leur approche d’explicabilité régionale
