03 20 61 95 06

Formation Intelligence Artificielle : Prendre en compte les cognitions humaines dans nos IA


  • FIAJPM
  • Durée : 3.5 jours
  • Tarif : 7000 € HT

96%

Taux de satisfaction clients
(sur 1375 évaluations du 19/05/21 au 19/03/24)

Voir les avis

Objectifs

A l’issue de la formation le participant sera capable de Améliorer sa performance et celle de ses intelligences artificielles par de meilleures préparations et gestions des données.

Prérequis

Vous avez participé à un ou plusieurs projets en intelligence artificielle ou en statistique en tant que concepteur d’algorithme, ingénieur data, utilisateur d’IA, etc
Possibilité de choisir les modules de votre choix et personnaliser le contenu de la formation en fonction de vos besoins. 

Cette formation ne peut être financée que dans le cadre d’un projet d’entreprise (prise en charge entreprise ou OPCO). Les dossiers à financement personnel et CPF ne sont pas pris en compte.

Public

Cette formation s’adresse à un public de professionnels. Un entretien en amont avec notre expert permet de prendre en compte le profil de chaque participant (niveau, objectifs et résultats attendus, contexte professionnel, enjeux…)

Dernière mise à jour

Programme mis à jour le 31 janvier 2024
enveloppe Cette formation vous intéresse ? Contactez-nous

Bon à savoir

Evaluez votre niveau

Pour vous aider à bien choisir votre formation, nous vous proposons soit un entretien avec le formateur soit un test d’évaluation. Cela vous assurera que vous disposez des connaissances nécessaires pour suivre la formation dans des conditions optimales.

Formations modulables

Toutes nos formations sont disponibles en présentiel comme en distanciel, en mode coaching individuel ou en groupe de 3 à 6 participants maximum.

Travaux pratiques

Nos formations comprennent de nombreux travaux pratiques pour un meilleur apprentissage (60 % de pratique). Nous proposons également de travailler sur vos données pour une meilleure expérience.
modules

Les Modules
de formation

Module1
L’analyse et la synthèse

Nos analyses et synthèses se forment dans des sortes de registres cognitifs, limités en nombre. Ce qui limite la complexité admissible pour notre cerveau. Nous utilisons ces registres de manière différentes en fonction de notre culture, de nos expériences et du contexte. Des registres plus grands permettent de prendre en charge plus de détails, des registres plus nombreux permettent des synthèses plus larges.

Quels sont les registres cognitifs des utilisateurs de notre IA, comment les utilisent ils ? Comment notre IA peut-elle en tenir compte pour présenter ses résultats, au risque que certaines informations puissent échapper aux utilisateurs ? Notre IA prend-t-elle en compte les capacités des personnes ayant produit ses données d’apprentissage afin de les relativiser ? Est-il pertinent que notre IA simule les registres cognitifs humains ? Les dépasse ?
Module2
Les inférences

On utilise souvent le terme « déduire » ou « déduction » pour désigner un raisonnement, une inférence humaine. En fait il existe de nombreuses typologies de raisonnements (déduction, induction, abduction, croyance, etc.). Ces typologies ont été décrites par des psychologues cogniticiens. Une IA interfacée en entrée ou en sortie avec des humains est concernée par ces typologies de raisonnements.

Notre IA peut-elle connaitre les raisonnements qui ont produit les données utilisées pour son apprentissage ? Peut-elle modéliser les raisonnements humains pour leur ressembler ? Peut-elle anticiper les raisonnement des individus qui vont découvrir ses résultats ? Comment notre IA peut-elle prendre en compte ces raisonnements ? Jusqu’ou faut-il que notre IA se comporte comme un humain et adapte ses réponses aux utilisateurs ?
Module3
Les cycles cognitifs

Chacun de nous a remarqué que certains raisonnements ont besoin d’un temps de maturation. La nuit porte conseil dit-on. En fait, il existe des cycles de réflexion, de prise de repères, de restructuration de notre champ de conscience, etc. Penser qu’un individu assimile des informations dès qu’on lui présente est une erreur manifeste.

Notre IA prend-t-elle en compte les cycles cognitifs des individus qui sont censés exploiter ses résultats ? Notre chatbot intègre-t-il ces cycles cognitifs dans la compréhension des interrogations que se pose l’utilisateur ? Notre IA peut-elle accompagner son utilisateur durant ses différents cycles cognitifs ? Peut-elle gérer le changement de comportement de l’utilisateur comme une progression normale de prise de conscience plutôt que comme un revirement ou une erreur de sa part ?
Module4
Les impacts du raisonnement

Chacun de nos raisonnements a deux conséquences. La première concerne le renforcement de nos connaissances. La seconde est la modification de nos prochaines décisions, de nos prochains raisonnements. Tout modèle de raisonnement humain, que ce soit pour imiter l’homme ou le surpasser ou pour adapter les résultats d’une IA à la compréhension humaine, doit intégrer ces deux dimensions.

Notre IA s’enrichit elle des connaissances transmises ou acquises ? Simule-t-elle les techniques d’acquisition de connaissance humaines ? Adapte-t-elle ses résultats dans leur contenu et/ou leur présentation aux connaissances de l’utilisateur et au échanges récents avec lui ? Comment construire le modèle de connaissance de notre IA ?
Module5
La complexité

La complexité est inhérente à la problématique que l’on veut résoudre. Elle ne peut pas se réduire. Soit l’IA que l’on construit est au bon niveau de complexité, soit elle est inutilement compliquée, soit elle s’avère simpliste alors que l’on cherchait à ce qu’elle soit simple. Une IA simpliste donnera de mauvais résultats.

Notre IA se situe-t-elle au bon niveau de complexité ? Comment évaluer son niveau de complexité ? Peut-on découper notre IA en plusieurs parties de moindre complexité ? Peut-on renforcer la complexité de notre IA progressivement ? Comment appréhender une IA dont le niveau de complexité est bien supérieur au notre ? Comment prévoir ce qu’elle sera capable de faire ? Peut-on la contrôler ?
Module6
Les mots clés

Beaucoup d’IA utilisent des « mots clés ». Bien sûr un même mot peut avoir plusieurs sens, on fabrique alors des clones du mot clé en leur associant des sens différents. Ceci peut se faire par apprentissage à partir d’un corpus documentaire conséquent. Mais il faut souvent aller plus loin pour comprendre finement la signification des propos des individus. Par exemple si nous disons « Paul pousse la voiture de Pierre », cela peut décrire des scènes totalement différentes selon que Pierre est un adulte, un enfant ou une personne âgée. Dans ces trois cas la voiture dont il est question sera différente, respectivement une automobile, un jouet, un fauteuil roulant. Ces différentes instances du mot voiture constituent des « noèmes ».

Comment notre IA peut-elle utiliser efficacement les mots clé ? Le niveau de précision de notre IA et ses objectifs, justifient-t-ils de recourir aux noèmes ? Comment construire notre IA pour exploiter des noèmes ? Comment notre IA peut-elle discerner les noèmes dans le sens d’un texte ? Jusqu’à quel niveau de précision doit-elle monter ?
Module7
La maturité

Face à une problématique particulière un individu réagit en fonction de ses capacités et de sa maturité. On peut être plus ou moins capable et plus ou moins mature sur un sujet particulier, indépendamment de son âge. Evaluer la maturité d’un individu par rapport à une thématique peut être nécessaire pour classifier des personnes et décider d’une réponse particulière d’un système ou d’une affectation à une tache. Une réponse par un individu ou une machine d’un niveau de maturité supérieur à celui de l’utilisateur sera-t-elle bien comprise ?

Est-il pertinent que notre IA adapte sa réponse au niveau de maturité de l’utilisateur ? Qu’elle relativise les données fournies par l’utilisateur selon sa maturité ? Comment peut-on appréhender le niveau de maturité de quelqu’un ? De notre IA ? Notre IA dispose-t-elle d’un niveau de maturité intrinsèque ? D’un niveau différent selon l’apprentissage réalisé ? Est-ce qu’elle hérite de la maturité de ceux qui on produit ses données d’apprentissage ?
Module8
Les biais cognitifs

De nombreux biais cognitifs ont été mis en exergue par les psychologues cogniticiens. En tenir compte lorsqu’ils sont détectés chez nos interlocuteurs nous permet d’adapter notre discours, relativiser leur propos et orienter nos analyses. Une IA peut également présenter des biais cognitifs via sa construction ou son apprentissage.

Notre IA présente-t-elle des biais ? Les données qu’elle traite sont-elles biaisées ? Est-ce que l’on veut explicitement doter notre IA de biais afin de les simuler ou les anticiper ? Comment notre IA peut-elle détecter des biais ? Comment peut-elle palier les biais ? Comment peut-elle identifier les biais de l’utilisateur ? Comment peut-elle lui présenter les résultats compte tenu de ses biais ?
Module9
La dissonance

Parfois nous souhaitons adopter une attitude qui nous satisfait mais notre comportement est contraint et nous ne pouvons le faire. Parfois notre raisonnement nous apporte une conclusion qui ne correspond pas à ce que nous avons déjà dans notre champ de conscience. Dans tous ces cas et bien d’autres, il y a dissonance cognitive. Cela produit de l’étonnement, de la frustration, diverses émotions. Nos IA nourrissent aussi nos champs de conscience et conduisent des raisonnements qui peuvent créer chez nous des dissonances.

Notre IA est-elle source de dissonance cognitive ? Souhaite-t-on volontairement créer des dissonances dans notre IA pour simuler ou anticiper des comportements ? Comment notre IA peut-elle détecter une dissonance chez l’utilisateur ? Comment peut-elle contrer une dissonance chez l’utilisateur ? Comment notre IA peut-elle réguler ou amplifier les émotions induites par les dissonances chez l’utilisateur ?
Module10
La mémoire

Notre mémoire est divisée en plusieurs zones selon qu’elle enregistre des informations à court ou long terme. Certaines informations y sont transformées lors du stockage. Nous pouvons oublier, faire des abstractions, ou au contraire retenir de nombreux détails d’une situation particulière. L’informatique permet la conservation de bien plus de données que le cerveau. Mais est-ce toujours un avantage ?

Quelle est la mémoire de notre IA ? Doit-on la diviser en catégories d’informations ? Selon la temporalité, l’importance, autre ? Si l’on souhaite que notre IA puisse simuler un humain, comment structurer sa mémoire ? De quels critères doit-on doter notre IA pour lui faire oublier de l’information ? Doit-elle effacer l’information ou simplement la tagguer comme « oubliée » ?
Module11
La médiocrité

A l’origine « médiocre » signifiait simplement « moyen », mais de nos jours ce terme a pris une dimension péjorative et signifie « au dessous de la moyenne ». En IA si des données d’apprentissage sont issues de cas médiocres, les prédictions hériteront de cette médiocrité. En fonction de divers contextes, certaines architectures peuvent amplifier la médiocrité tandis que d’autres peuvent la réduire. Comment détecter des données médiocres ? Comment palier à la médiocrité des prédictions ? Pourquoi se contente-t-on parfois de résultats médiocres ? Quelle conséquence de la médiocrité pour nos cognitions ?

La médiocrité engendre la médiocrité, elle l’attire, la propage. Pourquoi portons nous un avis négatif facilement et pourquoi ne faisons nous pas le même effort pour porter un avis positif ? Quelle conséquence sur nos IA ? Comment rompre le cercle vicieux de la médiocrité ?
Module12
Les surnombres

Nos comportements sont fortement impactés par le nombre d’éléments ou d’individus qui nous entourent. Lorsque ce nombre dépasse certains seuils, nos comportements changent et peuvent même devenir antagonistes. Pourquoi la foule nous obsède ? Pourquoi la surabondance engendre notre désintérêt ? Comment évoluent ces phénomènes ? Comment détecter le franchissement de ces seuils ? Peut-on les anticiper ? Peut-on éviter la déstructuration sociale engendrée par la surpopulation ? Quels sont les mécanismes naturels régulateurs ?

Nos IA sont entrainées sur des données liées à des populations d’objets, de relations, d’individus. Quels sont les impacts des surnombres sur l’apprentissage et sur les prédictions ?

Les prochaines
sessions de formation

Sur demande
Vous souhaitez organiser cette formation à une date spécifique ?Contactez-nous en remplissant le formulaire ci-dessous
29 avril 2024
24 juin 2024
26 août 2024
21 octobre 2024

Cette formation vous intéresse ? Contactez-nous !

    Les données personnelles collectées sont destinées à Access IT Company et utilisées pour traiter votre demande et, lorsque vous ne vous y êtes pas opposé, vous communiquer nos offres commerciales. Les données obligatoires vous sont signalées sur le formulaire par un astérisque. L’accès aux données est strictement limité par Access IT Company aux collaborateurs en charge du traitement de votre demande. Conformément au Règlement européen n°2016/679/UE du 27 avril 2016 sur la protection des données personnelles et à la loi « informatique et libertés » du 6 janvier 1978 modifiée, vous bénéficiez d’un droit d’accès, de rectification, d’effacement, de portabilité et de limitation du traitement des donnés vous concernant ainsi que du droit de communiquer des directives sur le sort de vos données après votre mort. Vous avez également la possibilité de vous opposer au traitement des données vous concernant. Vous pouvez exercer vos droits en contactant le DPO à l’adresse suivante : [email protected] ou à l’adresse postale suivante 2, Allée Lavoisier, 59650 Villeneuve d’Ascq. Pour plus d’informations sur le traitement de vos données personnelles par Access IT Company, veuillez consulter notre politique de confidentialité disponible sur notre site internet à l’adresse suivante : https://formation.access-it.fr/politique-de-confidentialite/