Améliorer l'explicabilité des réseaux neuronaux [French]

By Enoch Arulprakash and Martin Aruldoss

L'intelligence artificielle (IA) pilot e par des r seaux neuronaux est cruciale dans de nombreuses applications telles que les syst mes de recommandation, la traduction linguistique, les m dias sociaux, les chatbots, les correcteurs orthographiques, etc. Cependant, ces r seaux sont souvent critiqu s pour tre des "bo tes noires", ce qui soul ve des inqui tudes quant leur explicabilit , en particulier dans des domaines sensibles tels que les soins de sant , la conduite autonome, etc. Les m thodes existantes pour am liorer l'explicabilit , telles que l'importance des caract ristiques, manquent souvent de clart et d'interpr tabilit . Pour rem dier ce probl me, le r seau neuronal orient objet pour une meilleure explicabilit (OONNIE) a t mis au point. OONNIE utilise la mod lisation orient e objet pour combiner la perte et le poids de connexion afin de calculer l'importance des caract ristiques et int gre des r gles sp cifiques au domaine gr ce l'extensibilit de la POO. Le mod le met l'accent sur la transparence algorithmique en d taillant chaque tape de la formation. valu sur les fonctions XOR et XNOR, OONNIE montre des r sultats prometteurs en termes d'importance des caract ristiques, de r duction plus rapide des pertes et d'am lioration des pr dictions apr s l'int gration des r gles du domaine. Il s'agit d'une contribution significative l'IA explicable, qui fait d'OONNIE un outil pr cieux pour le d veloppement de syst mes d'IA fiables.

• Format: Paperback
• Language: French
• ISBN: 6202371145
• ISBN13: 9786202371148
• Release Date: August 2025
• Publisher: Editions Notre Savoir
• Length: 136 Pages
• Weight: 0.42 lbs.
• Dimensions: 0.3" x 6.0" x 9.0"