Dans notre objectif de créer un programme de Master IA centré sur l’humain, le Consortium HCAIM suit la définition de AI HLEG: «L’approche centrée sur l’humain de l’IA vise à faire en sorte que les valeurs humaines soient au cœur de la manière dont les systèmes d’IA sont développés, déployés, utilisés et surveillés, en garantissant le respect des droits fondamentaux.»

Pour répondre aux exigences de cette définition, le programme couvre les éléments techniques, éthiques et pratiques de l’intelligence artificielle. Nous avons conçu notre contenu autour des trois phases du cycle de vie des MLOps — développement, déploiement et maintenance de modèles d’apprentissage automatique, produisant ainsi trois modules de base en adéquation avec les phases ML-Ops susmentionnées: Modélisation (module A), déploiement (module B) et évaluation (module C). Nous avons ajouté un quatrième module (D) Graduation, pour permettre aux étudiants de montrer qu’ils peuvent résoudre indépendamment les défis proposés par l’industrie en fonction des besoins actuels et des exigences liées au domaine de l’intelligence artificielle centrée sur l’homme.

Ceci est visualisé dans le tableau ci-dessous.

Cette page contient tous les événements d’apprentissage qui composent le Maître d’Intelligence Artificielle Centre Humaine. Tous les événements d’apprentissage, y compris leur matériel d’étude d’accompagnement, seront disponibles en anglais sur le site web HCAIM et pourront être traduits dans n’importe quelle langue de l’UE à l’aide de l’outil eTranslation de l’Union européenne. Aux fins de cet aperçu, un événement d’apprentissage du module A, un événement d’apprentissage du module B, deux événements d’apprentissage du module C et les lignes directrices pour la thèse, ainsi que deux exemples de sujets de thèse sont déjà entièrement disponibles en anglais sur cette page d’aperçu (et peuvent être traduits dans n’importe quelle langue de l’UE à l’aide de l’outil eTranslation de l’Union européenne).

En outre, l’aperçu du programme HCAIM, le module A des objectifs d’apprentissage, le module A aperçu des plans de leçon, ainsi que le module A «Lecture — Introduction à l’IA centrée sur l’humain» sont déjà disponibles dans toutes les langues de l’UE via cette page d’aperçu.  Pour voir les traductions de ces parties du programme HCAIM, veuillez sélectionner l’une des langues individuelles au bas de cette page.

Tous les documents sont disponibles sous une licence Creative Commons Attribution-NonCommercial-NoDerivates 4.0 (CC BY-NC-ND 4.0)

Le premier module, à savoir Modélisation (Module A), se concentre sur la première phase du cycle de vie des MLOps et est lié au niveau de maturité le plus bas de l’application du Machine Learning (ML) dans les organisations: données de modélisation. Il comprend les activités qui constituent la base de l’application de la LM, telles que l’extraction de données, l’analyse des données, la préparation des données, la formation sur les modèles et (principalement manuel) la validation et l’évaluation des modèles.

Dans cette phase, l’accent est mis sur l’analyse et la modélisation correctes des données pour atteindre les objectifs de l’entreprise et l’automatisation est peu utilisée (par exemple, CI/CD), qui n’est ajoutée que dans la deuxième phase des MLOps(déploiement — Module B). Les activités de modélisation sont souvent caractérisées par la méthode manuelle, scénarisée et interactive par laquelle sont effectuées l’analyse des données, la préparation, la formation sur les modèles et la validation. Pour maintenir une vue d’ensemble des différents modèles, paramètres et choix qui sont en cours d’expérimentation, le suivi des expériences est utilisé.

D’un point de vue éthique, il est important, dans la phase de modélisation, de consacrer suffisamment de temps et d’attention à la détermination des objectifs du client, à la cartographie des parties prenantes et à l’exploration de la façon dont les valeurs individuelles de ces parties prenantes sont affectées (et de reconnaître les éventuels conflits entre elles). Des aspects tels que la transparence, l’inclusion, la sécurité et la vie privée sont d’une grande importance à cet égard. Naturellement, il faut aussi prêter attention à l’opportunité sociale et morale des objectifs du client. En outre, il est important d’avoir (en temps opportun) conscience des éventuels préjugés/préjugés dans les données disponibles, de reconnaître les conséquences possibles de ces préjugés et de trouver des mesures d’atténuation pour faire face à ces préjugés.

Le module Déploiement (module B) se concentre sur la deuxième phase du cycle de développement des MLOps; le déploiement. Après la phase exploratoire des données de modélisation (voir Module A — Modélisation), vient l’intégration de la solution ML dans les systèmes métier. Il est maintenant important de commencer à penser à l’architecture ML et à la façon dont elle joue avec les systèmes existants (héritage). Pour bénéficier réellement de solutions automatisées de LM, il convient d’introduire des pipelines; D’une part, être en mesure de traiter des données en continu et en direct (traitement de flux), et d’autre part, de relier les résultats du modèle ML à d’autres systèmes.

En outre, le module B améliore la complexité de la technologie de l’IA en s’orientant vers (l’utilisation) des réseaux neuronaux et de l’apprentissage profond. Un avantage majeur de ces modèles plus complexes est qu’ils sont plus flexibles et polyvalents que les techniques introduites dans le module A — Modélisation. Cependant, les inconvénients importants de ces techniques sont qu’elles sont plus complexes (pour comprendre et configurer) et opaques. Il s’agit là d’un important dilemme éthique dans l’utilisation des techniques d’IA (avancées): comment comprenez-vous encore ce que la solution d’IA calcule et si cela se fait de la bonne manière? Rendre le déploiement des solutions d’IA plus transparent et être en mesure de déterminer les risques possibles et d’atténuer ces risques sont des thèmes (sociaux) importants dans ce module.

Le module d’évaluation (module C) se concentre sur les aspects d’évaluation du développement de l’IA, y compris à la fois les aspects sociétaux d’un produit d’IA et le développement d’une appréciation des orientations futures potentielles que l’IA pourrait prendre, en examinant les tendances technologiques; une IA socialement responsable; conformité, tout en veillant à ce que l’élément humain soit toujours présent dans la conception, le développement et l’évaluation des systèmes d’IA.

Dans le cadre de l’avenir de l’IA, une exploration du niveau d’adoption de l’IA dans différentes industries est discutée, ainsi que de la manière dont l’IA est adaptée à différents domaines. L’analyse de l’IA socialement responsable inclut la façon dont l’IA affecte les individus et les différents groupes de la société. Et en tant que partie essentielle du module, l’accent est mis sur les lois, les politiques et les codes de conduite liés à l’IA (en mettant l’accent sur des questions telles que l’explicabilité et la confiance), ainsi que sur les processus de contrôle de la qualité et de gestion de la qualité, afin d’évaluer les résultats des initiatives en matière d’IA.

Le module d’obtention du diplôme (module D) reflète le principe de base du programme HCAIM qui s’appuie sur le concept d’apprentissage par projet (PBL). L’objectif de ce module est de positionner le projet d’obtention du diplôme (fabriquer un produit professionnel) au centre de la trajectoire d’apprentissage de l’étudiant. Dans le cadre de leur projet d’obtention du diplôme (la thèse de maîtrise), les étudiants montrent qu’ils peuvent résoudre de manière indépendante les défis proposés par l’industrie en fonction des besoins et des exigences actuelles, en tenant compte à la fois des aspects techniques et éthiques de la question en cause.

Chaque thèse est considérée localement, avec un superviseur interne (professeur de l’Université dans lequel l’étudiant poursuit le diplôme) et un superviseur externe appartenant à la partie proposant la thèse (le cas échéant). Ce dernier aspect, bien qu’il ne soit pas obligatoire, est rigoureusement poursuivi. La partie proposante peut être une PME, un centre d’excellence ou une autre université, tant au niveau national qu’international. On s’attend à ce que les parties proposantes fournissent une thèse à la fois nationale et internationale (c’est-à-dire une thèse organisée avec une université du même pays ou d’une université étrangère).

• Thèse Exemple 1: Attaques d’évasion contre des détecteurs de logiciels malveillants basés sur ML
• Thèse Exemple 2: PICO-ML: Pipeline Defined Computing et le rôle de l’IA continue dans celui-ci
• Thèse Exemple 3: Enquêter sur les bias dans les modèles de PNL pré-formés