Analyse de sensibilité et équité algorithmique pour le machine learning et l'intelligence artificielle
FR |
EN
Auteur / Autrice : | Clément Benesse |
Direction : | Fabrice Gamboa, Jean-Michel Loubès |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques et Applications |
Date : | Soutenance le 16/12/2022 |
Etablissement(s) : | Toulouse 3 |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, informatique et télécommunications (Toulouse) |
Partenaire(s) de recherche : | Laboratoire : Institut de mathématiques de Toulouse (2007-....) |
Jury : | Président / Présidente : Béatrice Laurent |
Examinateurs / Examinatrices : Erwan Scornet | |
Rapporteurs / Rapporteuses : Mathilde Mougeot, Sébastien Gambs |
Mots clés
FR |
EN
Mots clés contrôlés
Mots clés libres
Résumé
FR |
EN
Au cours des dernières années, le déploiement d'algorithmes utilisant du Machine Learning a explosé. En permanence à la recherche de performances améliorées au prix de toujours plus de données, ces algorithmes ont révolutionné de nombreux domaines. Néanmoins, de plus en plus de problèmes transparaissent lors de l'utilisation de ces modèles. Dans cette thèse, nous nous intéressons à deux écueils particuliers que sont le manque d'explicabilité, ainsi que le défaut d'équité pouvant mener à des discriminations qui peut être présent dans ces algorithmes. Nous montrons comment ces deux sujets sont liés en présentant un cadre probabiliste unificateur permettant de transposer des techniques de l'un des domaines vers l'autre.