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

Contextual Evaluation Data trustworthiness Conformal prediction Neural ODEs Distribution based method Deep neural network classifiers Cycle-accurate simulator Explainable AI Computer Vision Example-based AI-Systems Engineering Explicabilité Anomaly Automated vehicle Trustworthiness Attributes Deep Reinforcement Learning Robustness Adversarial Attacks Adversarial Training Deep Reinforcement Learning Bayesian Optimization Adversarial examples Data Stream Processing Concepts Dempster Shafer theory Monitoring Adversarial attacks Machine Learning Data Visualization Realization theory Enalty Bayesian Neural Networks Deployment Explainability AI-based systems Artificial intelligence Arcadia Method Certification Computer Vision and Pattern Recognition Generative Models Explanations Reliability Data Stream Mixed Integer Programming Robustesse Embedded AI Distributed learning Sûreté de fonctionnement Complexity AI component evaluation methodology Branch-and-Bound algorithm AI-Based Systems Intelligence Articifielle Christoffel functions Computer vision Decision tree Embarqué Adversarial Training Neural Network Sûreté Data Analysis Adversarial Attacks Conformal Prediction Semantic segmentation Critical systems System Identification Recurrent Neural Networks Long Short-Term Memory Anomaly detection Anomaly Detection AI-Based Critical Systems Calibration Case-based Bias Detection Artificial Intelligence Counterfactuals Distributed Machine Learning Attack transferability Bayesian optimization Explicability Assurance case AI engineering ED-324/ARP6983 Machine learning Deep learning Custom search space Evaluation Robustness Adversarial attack Data-driven reachability Confiance Edge computing Engineering Processes Adversarial physical attack Neural network Trustworthiness Assessment ODD Cryptography and Security AI XAI AI System Characterization Data Quality Confiance explicabilité Bayesian inference