index - Confiance.ai Accéder directement au contenu

Un collectif français d’envergure inédite pour concevoir et industrialiser des systèmes à base d’intelligence artificielle de confiance

Une stratégie nationale au service de l’ingénierie française

Pilier technologique du Grand Défi « Sécuriser, certifier et fiabiliser les systèmes fondés sur l’intelligence artificielle » lancé par l’Etat, Confiance.ai est le plus gros programme de recherche technologique du plan #AIforHumanity qui doit faire de la France un des pays leader de l’intelligence artificielle (IA)

Relever le défi de l’industrialisation de l’IA

Le déploiement à très grande échelle de systèmes industriels intégrant de l’IA est un enjeu crucial de compétitivité industrielle, économique et de souveraineté nationale. Le programme Confiance.ai porte donc une ambition forte : lever les verrous associés à l’industrialisation de l’IA et doter les acteurs industriels français de méthodes outillées adaptées à leurs ingénieries et construites sur des bases technologiques indépendantes. L’originalité du programme repose sur sa stratégie intégrative : il traite les défis scientifiques relatifs à l’IA de confiance et apporte des solutions tangibles, applicables dans le monde réel et industrialisables.

Fédérer les forces vives

Le programme Confiance.ai rassemble un collectif d’acteurs académiques et industriels français majeurs des domaines de la défense, des transports, de l’industrie manufacturière et de l’énergie qui ont décidé de mutualiser leurs savoir-faire scientifiques et technologiques de pointe. Le programme s’appuie sur une ingénierie et une culture mathématiques fortes associée à une excellence en intelligence artificielle pour établir de manière solidement argumentée la confiance dans les systèmes. Il est en cela, le symbole de l’approche culturelle française en matière de validation de l’intelligence artificielle.

 

Dernières publications

 

Mots-clés

Robustness AI engineering Adversarial Training Distributed learning Data Analysis Branch-and-Bound algorithm Bias Detection Adversarial examples AI component evaluation methodology Data trustworthiness Explicabilité GPU Confiance explicabilité Artificial Intelligence System Identification Sûreté de fonctionnement Computer vision Adversarial attack Christoffel functions Cycle-accurate simulator Computer Vision Distribution based method Trustworthiness Attributes Case-based Computer Vision and Pattern Recognition Trustworthiness Assessment Machine Learning Automated vehicle Enalty Bayesian Neural Networks Explainability Sûreté Deep learning Calibration Reliability Counterfactuals Federated Learning Conformal Prediction AI-Based Systems Explanations Complexity Concepts Adversarial physical attack Attack transferability Anomaly Anomaly detection Deep Reinforcement Learning Robustness Adversarial Attacks Adversarial Training Recurrent Neural Networks Data Quality Evaluation Long Short-Term Memory Fault tolerance Semantic segmentation Generative Models Fault tolerant systems Cryptography and Security Neural network Arcadia Method FOS Computer and information sciences Artificial intelligence Explicability Adversarial attacks Data-driven reachability AI-Systems Engineering Conformal prediction Bayesian inference Assurance case AI System Characterization AI-Based Critical Systems Example-based Contextual Evaluation Confiance Mixed Integer Programming Data Stream Processing AI-based systems Embedded AI Intelligence Articifielle Neural ODEs Data Visualization Critical systems Embarqué Deep Reinforcement Learning Deep neural network classifiers Fault detection Explainable AI Anomaly Detection AI Fiabilité Distributed Machine Learning Neural Network Decision tree Monitoring Engineering Processes Data Stream ODD Robustesse Custom search space Bayesian Optimization Realization theory Adversarial Attacks XAI