L'interprétabilité avec l'hybridation et la sophistication du symbolisme : l'exemple de la logique floue probabiliste pour le choc septique
Year: 2026
Type: dissertation
Abstract: Dans des contextes sensibles marqués par des degrés d'incertitude et d'imprécision, les experts ont la responsabilité de fournir des justifications pour les prédictions. Il est préférable que ce soient des analyses basées sur une interprétabilité intrinsèque enrichie par la causalité. De surcroît, la recherche d’un équilibre de valeurs stratégiques (ex. éthique…) avec l’intelligence artificielle (IA) centré sur ces analyses est un questionnement important. Le rapprochement de cette symbiose répond, également, à un besoin d’appui pour la prise de décision, d’une personnalisation, d’automatisation, ainsi que pour une avantageuse interaction homme-machine avec l’IA. Cependant, dans ces contextes et en utilisant des boîtes noires avec peu de données, il est difficile de la faire valoir en fournissant ces analyses. D’ailleurs, certaines de ces boîtes ne déduisent que les associations et les corrélations. Elles ne se prêtent qu'à l'explicabilité. En revanche, notre méthode d’enrichissement (sophistication) du symbolisme avec la logique floue probabiliste (Probabilistic Fuzzy Logic : PFL) et d'intégration de modèle arborescent LightGBM permet ces analyses. Notre objectif est d’avoir les avantages de différents paradigmes pour une solution valorisante. Ainsi, pour ces analyses, nous utilisons cette méthode, peu faite et récente, pour une étude de cas sur le choc septique. Cela à travers des probabilités, du clustering (ex. Gaussian Mixture (GM), Bayesian Gaussian Mixture (BGM)) ainsi que des règles « IF-THEN » par la fuzzification. Notre approche se base, dès lors, sur des degrés d’appartenance flous. De plus, notre PFL permet d’estimer de façon segmentée l'effet moyen du traitement (Average Treatment Effect : ATE), offrant ainsi une granularité, mettant en évidence l’influence différenciée des variables sur l’effet du traitement. Autant, ces « IF-THEN » permettent la transformation des prédictions en concepts linguistiques et intervalles en se rapprochant du raisonnement pour une compréhension globale et locale. Leur combinaison avec l’arborescence crée un autocontrôle. Aussi, les alertes permettent une validation et il y a un calcul du score de fidélité pour prouver que la règle reflète le comportement. D’autant plus, les experts sont dans la boucle pour avoir leur révision. In fine, avec une applicabilité potentielle dans d’autres domaines sensibles, tout en soulignant la nécessité d’optimiser le choix des paramètres en raison de la susceptibilité de la méthode, cette démarche leur ouvre des perspectives intéressantes. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : interprétabilité, causalité, valeurs, PFL, LightGBM, Gaussian Mixture (GM), Bayesian Gaussian Mixture (BGM)
Author: Messaoudi, Boumediene El Mouenis
Language: French
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7165431226
