Vers une Intelligence Artificielle explicable (XAI) en Maintenance Prédictive.

Towards Explainable Artificial Intelligence (XAI) in Predictive Maintenance.

• Auteur / Autrice : Mouhamadou Ndao
• Direction : Ndeye Niang, Genane Youness
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Mathématiques appliquées
• Date : Inscription en doctorat le 05/09/2022
• Etablissement(s) : Paris, CNAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Cedric - Centre d'études et de recherche en informatique et communications

Mots clés

Mots clés libres

IA explicable

Algorithmes d'équité

Apprentissage statistique

Réseau de neurones profonds

Modélisation prédictive

Biais

Explainable AI

Equity algorithms

Machine learning

Deep learning

Predictive modelling

Bias

Résumé

Ce sujet de thèse a pour but d'aborder les questions qui peuvent se poser lors de l'application de l'IA telles que le biais, l'interprétabilité et l'équité, en explorant les moyens de les relier. Dans ce contexte, nous cherchons à examiner les défauts dus aux données et les défauts attribués aux algorithmes tout en analysant les notions d'équités algorithmiques et d'explicabilité des décisions. Nous développons un certain nombre de contraintes dans le processus d'apprentissage pour optimiser et pénaliser la non équité. Ce travail vise également à développer des théories avancées des méthodes d'explicabilité utilisées basées sur les pistes statistiques, afin de renforcer leurs capacités d'évaluation. Pour évaluer ces questions, des études empiriques sur des données de ressources humaines et sur la maintenance prédictive seront menées pour élaborer un choix optimal des méthodes d'intelligibilité et d'équité.

This thesis topic aims to address issues that may arise in the application of AI such as bias, interpretability and fairness, exploring ways to link them. In this context, we seek to examine data-driven faults and faults attributed to the algorithms while analysing the notions of algorithmic fairness and decision explicability. We develop a number of constraints in the learning process to optimise and penalise non-equity. This work also aims to develop advanced theories of the explicability methods used based on statistical trails, in order to strengthen their evaluation capabilities. To evaluate these issues, empirical studies on human resource data and predictive maintenance will be conducted to develop an optimal choice of intelligibility and fairness methods.