Sélectionner une page
Inférence causale et amélioration des modèles de connaissance clients (Uplift)

Inférence causale et amélioration des modèles de connaissance clients (Uplift)

Nos travaux montrent les limites du Big Data dans le domaine de la connaissance client et ont ouvert la voie à de nouvelles études autour du Machine Learning, et plus spécifiquement encore du Préférence Learning. Cette technique d’analyse appliquée au ciblage marketing permet de caractériser les seuls clients rentables et est reproductible dans d’autres domaines (santé, etc.)

Inférence causale et amélioration des modèles de connaissance clients (Uplift)

L’explicabilité des modèles d’apprentissage automatique

Notre travail de recherche développe des solutions permettant l’amélioration des métriques d’évaluation des modèles d’explicabilité en termes de plausibilité et de fidélité. La conception de modèles de substitution robustes aux attaques adversariales. La génération d’attaques adversariales et d’exemples contrefactuels adaptés, particulièrement ardue dans le cas d’une application NLP, afin d’optimiser la capacité d’interprétabilité des algorithmes d’IA.