Conférence: Scoring Systems: At the Extreme of Interpretable Machine Learning

Cette conférence est présentée dans le cadre des Conférences de Montréal en éthique de l’intelligence artificielle

Avec la généralisation de l’apprentissage automatique, l’utilisation de modèles en boîte noire pour des décisions à fort enjeu a eu de graves conséquences sociétales, notamment des décisions erronées en matière de libération sous caution et de libération conditionnelle dans le domaine de la justice pénale, des modèles erronés dans le domaine des soins de santé et des décisions de prêt en boîte noire dans le domaine financier. L’interprétabilité des modèles d’apprentissage automatique est essentielle dans les décisions à fort enjeu.

Dans cet exposé, l’intervenante se concentrera sur l’un des problèmes les plus fondamentaux et les plus importants dans le domaine de l’apprentissage automatique interprétable: les systèmes de notation optimaux. Les systèmes de notation sont des modèles linéaires épars avec des coefficients entiers. Ces modèles ont commencé à être utilisés il y a environ 100 ans. Généralement, ces modèles sont créés sans données, ou sont construits par sélection manuelle de caractéristiques et arrondissement des coefficients de régression logistique, mais ces techniques manuelles sacrifient la performance; les humains ne sont pas naturellement adeptes de l’optimisation à haute dimension. Elle présentera le premier algorithme pratique permettant de construire des systèmes de notation optimaux à partir de données. Cette méthode a été utilisée pour plusieurs applications importantes dans le domaine des soins de santé et de la justice pénale.

CONFÉRENCIÈRE INVITÉE

Cynthia Rudin
Professor of computer science, electrical and computer engineering, statistical science, and biostatistics & bioinformatics at Duke University

Cynthia Rudin est professeure d’informatique, de génie électrique et informatique, de sciences statistiques, de biostatistique et de bioinformatique à la Duke University, et dirige le Interpretable Machine Learning Lab. Auparavant, la professeure Rudin a occupé des postes au MIT, à Columbia et à NYU. Elle est titulaire d’un diplôme de premier cycle de Buffalo University et d’un doctorat de Princeton University. Elle a reçu en 2021 le prix Squirrel AI Award for Artificial Intelligence for the Benefit of Humanity de l’Association for the Advancement of Artificial Intelligence (AAAI). Ce prix est le plus prestigieux dans le domaine de l’intelligence artificielle. Il n’est comparable qu’aux reconnaissances de renommée mondiale, telles que le prix Nobel et le prix Turing, et il est assorti d’une récompense monétaire de l’ordre du million de dollars. La professeure Rudin a également remporté 3 fois le prix INFORMS Innovative Applications in Analytics Award, a été nommée parmi les « Top 40 Under 40 » par Poets and Quants en 2015, et a été désignée par Businessinsider.com comme l’un des 12 professeurs les plus impressionnants du MIT en 2015. Elle est membre de l’American Statistical Association et de l’Institute of Mathematical Statistics.

La professeure Rudin a été présidente de la section Data Mining d’INFORMS et de la section Statistical Learning and Data Science de l’American Statistical Association. Elle a également fait partie de comités pour le DARPA, le National Institute of Justice, l’AAAI et l’ACM SIGKDD. Elle a fait partie de 3 comités pour les Académies nationales des sciences, de l’ingénierie et de la médecine, notamment le Comité sur les statistiques appliquées et théoriques, le Comité sur le droit et la justice et le Comité sur les fondements de la recherche analytique pour le réseau électrique de nouvelle génération. Elle a prononcé des discours liminaires ou invités à plusieurs conférences, dont KDD (2 fois), AISTATS, CODE, Machine Learning in Healthcare (MLHC), Fairness, Accountability and Transparency in Machine Learning (FAT-ML), ECML-PKDD et les conférences Nobel.

L’événement se déroulera en anglais seulement.