Vers la vérification et certification d'algorithmes d'intelligence artificielle

Nous voulons déDevelopper des outils d‘analyze Formels Pour la Apprentisage Automatique(Machine Learning En Anglais)，et Autres算法d’Intelligence Artifielle(机器学习和智能人工智能)。S的代理人和证明人S的强项，是对各种条件和制度的批判，以及对智力和人工智能的充分利用。 总理L分析了智能人工智能的算法，S学习了智能人工智能，困难的L分析了智能人工智能的技术，L的研究成果也得到了广泛的应用。这是一件很重要的事情，重要的是你的行为举止不同。理性的建议是，分析者和模拟者(随机)的领域和证书和证书S的存在和世界的可丢弃，这是一个很好的例子。在这种情况下，S和S在模拟汽车电池方面做了大量的工作，而S则在这方面做了大量工作。目前的情况是，汽车制造商S的计算机系统证书(Ou Pas)d‘erreur et comme不能用于模拟大容量的计算机系统，而不能直接用于系统的计算机系统验证和验证L的算法。 该程序分析的是算法的应用，包括L的最优方案，以及正确的应用程序。例如，mais peu de comréhension théorique sur la façon don ces systèmes Functionnent。神经元估计的概率分布的概率S，等人的贸易或投资管理领域。L的《系统概率分析》是《系统概率分析》的重要组成部分。Nous Avons On Prix-Test de la Presgieuse Conféence LICs dans ce Domaine.Nous提议使用不同的智能人工智能技术，而不是处理神经元的过程。有针对性的概念：系统的等价性概念、中等价点的概念、系统相似的概念、系统概率的近似技术和无限量的集合。

Nous voulons développer des outils d'analyse formels pour la certification d'agorithmes d'apprentissage automatique (Machine Learning en Anglais), et autres algorithmes d'intelligence artificielle. Il s'agit ici de certifier avec des garanties très fortes, qui pourront permettre d'établir les conditions dans lesquelles des systèmes critiques pourraient utiliser des intelligences artificielles. Le premier axe de recherche sera l'analyse des algorithmes d'intelligence artificielle une fois entrainés. Une difficulté dans l'analyse d'un prédicteur entraîné par des techniques d'intelligence artificielle est de spécifier l'effet des entrées qu'on lui donne durant l'apprentissage ou pendant son utilisation. Il est également important d'arriver à décrire son comportement en termes de données abstraites et de variables abstraites. Nous proposons d'analyser des prédicteurs dans des domaines où des simulateurs (stochastiques) puissants et certifiés d'être représentatifs du monde réel sont disponibles, ce qui est le cas par exemple en aéoronautique. Dans ces situations, les prédicteurs sont à la fois entraînés et utilisés avec des données du simulateur car celles-ci sont très proches des données réelles. Cette situation est intéressante pour la vérification formelle car comme un système certifié fait très peu (ou pas) d'erreur et comme on a accès dans ce domaine à des simulateurs de grande capacité, on pourra utiliser le système certifié comme un modèle de la spécification et tenter de vérifier l'algorithme d'apprentissage en le comparant à ce modèle. Le deuxième axe du programme sera une analyse des algorithmes d'apprentissage pendant leur entraînement, toujours dans l'optique d'utiliser les méthodes formelles, donc de créer des garanties rigoureuses. Il y a beaucoup de recherche et d'avancées sur les réseaux de neurones profonds, par exemple, mais peu de compréhension théorique sur la façon dont ces systèmes fonctionnent. Un réseau de neurones est un transformateurs de distributions de probabilités, et nos travaux pourront éclairer autrement le domaine. Dans les 20 dernières années, mes collaborateurs et moi avons travaillé dans l'analyse des systèmes probabilistes. Nous avons obtenu un prix Test-of-time de la prestigieuse conférence LICS dans ce domaine. Nous proposons d'utiliser ces techniques sur différents systèmes d'intelligence artificielle, dont les processus de décision markoviens et les réseaux de neurones profonds. Les notions pertinentes ici, sont : notions d'équivalence de systèmes, métriques qui mesurent à quel point deux systèmes sont similaires ou non, techniques d'approximations des systèmes probabilistes ayant un ensemble infini non dénombrable d'états.