Un cadre d'aide à l'exploitation des résultats de prédictions, à destination d'experts de domaine

National audienceL’apprentissage automatique (ML) s’est révélé de plus en plus essentiel dans de nombreux domaines. Pourtant, de nombreux obstacles limitent encore son utilisation par des non-experts. Au premier rang de ceux ci se situe le manque de confiance dans les résultats obtenus et a inspiré plusieurs approches explicatives dans la littérature. Nous proposons ici un cadre pour exploiter cette capacité à expliquer les prédictions de ML de manière simple. Ceci a pour but de permettre aux outils ML existants de fournir une information plus interprétable aux utilisateurs ne maîtrisant pas encore l’apprentissage automatique. Ceci est effectué en fournissant à l’utilisateur une explication détaillée de l’influence des attributs pour chaque instance prédite, en relation avec le modèle d’apprentissage automatique. Nous montrerons également en quoi cette explication aide les utilisateurs non-experts à effectuer certaines tâches d’analyse complexes,telles que la sélection de modèles et l’ingénierie de fonctionnalités, et fournit une assistance pour exploiter efficacement les résultats d’un modèle prédictif