Sélectionner une page
Explicabilité des modèles d’apprentissage automatique

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.

Le Natural Language Processing pour le risque climatique: Analyse et scoring de la réputation climatique des entreprises en utilisant les algorithmes de l’IA.

Le Natural Language Processing pour le risque climatique: Analyse et scoring de la réputation climatique des entreprises en utilisant les algorithmes de l’IA.

Nous proposons une approche basée sur les algorithmes de Natural Language Processing (NLP) pour faire face aux limites des scores ESG. Précisément, nous développons une solution d’IA innovante qui permet d’analyser et d’évaluer la réputation climatique des entreprises en temps réel à partir des documents textuels.

Explicabilité des modèles d’apprentissage automatique

Uplift Modeling

Nos travaux de recherche s’inscrivent dans le champ de l’inférence causale, domaine du machine learning visant à produire des modèles d’aide à la décision capables d’exploiter de grandes masses de données complexes. L’une de nos applications phares est le ciblage marketing : nos modèles permettent de maximiser le ROI des campagnes grâce des analyses individuelles sélectionnant les profils clients à cibler en priorité.