Évaluation de l'incertitude épistémique en apprentissage profond**

点击翻译按钮获取中文摘要

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.