IA explicable (XAI) – formation pour les entreprises
Les modèles de ML performants donnent de bonnes prédictions, mais rarement une justification. Dès que les services métier, la direction, les clients ou les auditeurs demandent pourquoi le modèle a décidé ainsi, il faut des réponses solides. Pendant cette formation de deux jours, les participants apprennent à rendre compréhensible le comportement des modèles de ML et à interpréter correctement les résultats.
À qui s’adresse la formation
-
aux data scientists et développeurs ML qui doivent expliquer leurs propres modèles
-
aux analystes qui présentent des résultats de modèles aux services métier
-
aux équipes de gestion des risques, d’assurance qualité ou de conformité ayant un profil technique
Contenu
-
Pourquoi expliquer les modèles : modèles « boîte noire », confiance et traçabilité
-
Méthodes globales : l’importance des variables et les graphiques de dépendance partielle montrent sur quelles variables un modèle s’appuie dans l’ensemble
-
Méthodes locales : les valeurs de Shapley et les explications contrefactuelles justifient des prédictions individuelles
-
Limites et pièges : quand les explications trompent, par exemple en présence de variables corrélées, et comment éviter les mauvaises interprétations
-
Communiquer les résultats : présenter les explications de manière compréhensible aux services métier, à la direction ou aux clients
Toutes les méthodes sont appliquées en pratique en R ou en Python.
Ce que les participants savent faire ensuite
-
choisir les méthodes d’explication adaptées à leur question
-
calculer eux-mêmes des explications globales et locales et les interpréter correctement
-
repérer et éviter les mauvaises interprétations typiques
-
présenter les résultats de façon à ce que les non-spécialistes les comprennent aussi
Pourquoi nous
Fiona K. Meinzer prépare son doctorat à l’Institut de statistique de la LMU de Munich sur l’IA explicable, en particulier sur les méthodes d’importance des variables. Elle est coautrice du guide « A Guide to Feature Importance Methods for Scientific Inference » (XAI 2024), de l’article « CASHomon Sets » (ECML 2026), qui identifie, à travers plusieurs classes de modèles et leurs hyperparamètres, les modèles presque aussi performants que le meilleur, et du package R xplainfi (The R Journal, 2026), publiés en partie sous son nom de naissance Ewald. Pendant la formation, vous apprenez donc les méthodes auprès d’une personne qui les développe elle-même, y compris là où elles atteignent leurs limites.
Cadre
2 jours
Durée : 2 jours, sur site ou en ligne (sur demande en sessions de 90 minutes) Langue : allemand ou anglais Inclus : supports de cours, exercices avec corrigés en R ou en Python et attestation de participation
Prérequis : fondamentaux du ML (par exemple notre formation de 2 jours) et maîtrise de R ou de Python. Ordinateur portable avec R ou Python.
7 800 €
Soit 650 € par personne et par jour pour 6 participants
Aussi disponible en atelier sur mesure
1 à 5 jours
Sur demande, nous expliquons vos propres modèles et données ou combinons la XAI avec d’autres thèmes. Lors d’un entretien préalable, nous définissons ensemble les objectifs, les connaissances préalables et le périmètre. Le format sur mesure fait l’objet d’une offre séparée.
Prérequis : selon le thème, nous le clarifions lors de l’entretien préalable.
à partir de 3 300 € par jour, plus la conception de l’atelier
Soit à partir de 550 € par personne et par jour pour 6 participants
Tous les prix sont nets, hors TVA et frais de déplacement. Ces prix sont valables pour les formations en entreprise jusqu'à 12 participants ; les groupes plus importants sont possibles sur demande. Nous recommandons de limiter la taille des groupes afin de prévoir suffisamment de temps pour les questions et les exercices individuels. Tous les formats sont également disponibles en ligne et peuvent être divisés en sessions de 90 minutes sur demande.