Passionné(e) par la Data et le Code, avec une forte appétence pour les défis, ce stage est fait pour vous.

Vous intégrerez le Lab Lincoln et son équipe pluridisciplinaire qui vous encadrera et vous fera progresser durant vos 6 mois de stage.

Projet :Comment rendre les modèles d’IA plus intelligibles et transparents sans pour autant faire de compromis sur les performances ?

Le sujet de l'IA Explicable suscite beaucoup d’intérêt dans la communauté scientifique. Ceci s’explique principalement par l’utilisation massive des algorithmes d’apprentissage automatique (ML et DL), et plus particulièrement des méthodes dites « boîtes noires » qui privilégient la performance prédictive à la compréhension de leur fonctionnement et par conséquent de la décision préconisée.

Le besoin de générer des explications compréhensibles par les humains reste un défi ouvert. Pour renforcer la confiance dans l’IA, il faut rendre les décisions préconisées par la machine explicables et transparentes

L’IA Explicable se doit de répondre à ces deux principales questions clés :

• Comment fonctionne un algorithme ?
• Pourquoi l’algorithme prend telle ou telle décision ?

L’objectif du stageest de poursuivre les travaux initiés en 2022 (état de l’art sur l’explicabilité des modèles de machine et deep learning et benchmark de méthodes appliquées à des cas d’usage « simples ») :

· Mise à jour de l’état de l'art suivi de la sélection des approches jugées pertinentes pour réaliser les cas d’usage

· Construction de 2 cas d’usage : définition de la problématique, identification et mise en place des jeux de données (données tabulaires dans un cas, données Image ou Textuel dans l’autre cas). Apprentissage ML et DL si nécessaire.

· Mise en œuvre des méthodes d’explicabilité des modèles sur chaque cas d’usage. Analyse critique des résultats. Adaptation si nécessaire des méthodes existantes

· Conception et développement d’un outil graphique interactif (Shiny, Dash, React, Streamlit…) permettant de traduire les modèles IA dans un langage compréhensible et utile pour l’utilisateur

· Rédaction de notes méthodologiques et partage de connaissances avec l'équipe Conseil & Innovation

Qualifications

Aptitude, qualités requises :

· Rigueur, Curiosité, motivation, proactivité et agilité technique

· Appétence pour la recherche scientifique : état de l’art, méthodologie, rédaction

· Qualité pour vulgariser des approches complexes, pour transposer une démarche scientifique en un outil visuel et synthétique d’aide à l’explicabilité des modèles IA

· Très bon niveau en programmation Python

. Niveau d'anglais suffisant pour la compréhension d'articles scientifiques