Défis dans la promotion de la confiance et de la méfiance envers les systèmes d'IA

Aperçu

Explore key challenges in AI trust development, from benchmark construction and evaluation methods to data quality issues and human trust factors in artificial intelligence systems.

Programme

• Introduction à la Confiance dans l'IA
Définition et Importance de la Confiance dans l'IA
Contexte Historique et Évolution de la Confiance dans l'IA
• Construction de Référentiels pour la Confiance en l'IA
Critères pour des Référentiels Fiables
Méthodes pour la Construction de Référentiels
Problèmes Courants dans les Référentiels Actuels
• Méthodes d'Évaluation de la Fiabilité
Évaluation Quantitative vs. Qualitative
Outils et Techniques d'Évaluation
Études de Cas de Méthodes d'Évaluation Efficaces
• Problèmes de Qualité des Données
Impact de la Qualité des Données sur la Confiance
Biais des Données et Leur Atténuation
Meilleures Pratiques pour Assurer l'Intégrité des Données
• Facteurs Humains et Confiance dans l'IA
Aspects Psychologiques de la Confiance
Conception Centrée sur l'Utilisateur pour des Systèmes Fiables
Communication des Décisions de l'IA aux Utilisateurs
• Équilibrer Confiance et Méfiance
Scénarios de Surconfiance et Sous-confiance
Conception pour des Niveaux Appropriés de Confiance
Considérations Réglementaires et Éthiques
• Études de Cas et Applications Réelles
Analyse de Bâtiment de Confiance Réussi dans l'IA
Leçons Tirées d'Échecs de Haut-Profils
• Directions Futures dans la Recherche sur la Confiance en l'IA
Défis Émergents et Opportunités
Rôle des Approches Interdisciplinaires
Prévisions pour la Prochaine Décennie de la Confiance en l'IA

---

Matières

Data Science