Évaluation de l'incertitude épistémique en apprentissage profond**

在民用航空中，产品的开发需要对航空系统的性能有一个更高的信心，因为它需要收集大量的测试数据，通过对系统的数值模拟，可以加速和降低评估过程的风险。Les récentes avancées en intelligence artificielle permettent maintenant d'entraquinner rapidement des modèles pertinents par l'observation des systèmes. Ceci permet de réduire de façon importante le temps de déciliation pement par rapport à la réalisation d'un modèle classique，lesquels néciliite généralement la modélisation explicite et détaillée des phénomènes physique aux moyens d'équations différentielles. L'efficacité du dépement des modèles par l'intelligence artificiele s'accompagne également de nouveaux défis，en particulier la quantification de l'incertitude du modèle appris.该研究项目旨在探索性地对深神经元网络模型评估的不确定性进行修正，并根据预测结果对置信度进行量化。此外，特别是，这一问题需要一种贝叶斯方法来评估深层神经元网络的不确定性，并确保人工智能在模型中的安全应用。

En aviation civile, le développement de produits exige une grande confiance envers le comportement des systèmes embarqués sur les aéronefs, ce qui exige fréquemment la collecte de grandes quantités de données d'essais en vol. Par des simulations numériques des systèmes en question, il est possible d'accélérer et réduire le risque de ce processus d'évaluation. Les récentes avancées en intelligence artificielle permettent maintenant d'entraîner rapidement des modèles pertinents par l'observation des systèmes. Ceci permet de réduire de façon importante le temps de développement par rapport à la réalisation d'un modèle classique, lesquels nécessite généralement la modélisation explicite et détaillée des phénomènes physique aux moyens d'équations différentielles. L'efficacité du développement des modèles par l'intelligence artificielle s'accompagne également de nouveaux défis, en particulier la quantification de l'incertitude du modèle appris. Ce projet de recherche vise à explorer comment modéliser correctement l'incertitude d'un modèle appris par un réseau de neurones profond, afin de quantifier le niveau de confiance à accorder à ses prédictions. Plus particulièrement, il sera question de développer un cadre méthodologique Bayésien permettant d'estimer l'incertitude épistémique d'un réseaux de neurones profond, et ainsi garantir une utilisation sécuritaire de l'intelligence artificielle pour l'entraînement de modèles.