SOUTENANCE DE THÈSE  

Vous êtes cordialement invités!  

LUNDI 30 mars 2026 13h00

Local: PK-2265 

TITRE : L'interprétabilité avec l'hybridation et la sophistication du symbolisme: l'exemple de la logique floue probabiliste pour le choc septique

Présenté par

Boumédiène EL MOUENIS MESSAOUDI, personne étudiante doctorante en informatique cognitive 

RÉSUMÉ

Dans des contextes sensibles marqués par des degrés d'incertitude et d'imprécision, les experts ont la responsabilité de fournir des justifications pour les prédictions.  Il est préférable que ce soient des analyses basées sur une interprétabilité et un enrichissement par la causalité.  De surcroît, la recherche d'un équilibre de valeurs stratégiques (ex. éthique...) avec l'intelligence artificielle (IA) centrées sur ces analyses est un questionnement important.  Le rapprochement de cette symbiose répond, également, à un besoin d'appui pour la prise de décision, d'une personnalisation, ainsi que pour une avantageuse interaction homme-machine avec l'IA.  Cependant, dans ces contextes et en utilisant des boîtes noires avec peu de données, il est difficile de fournir cette interprétabilité et surtout en la valorisant avec une analyse causale.  D'ailleurs, certaines de ces boîtes ne déduisent que les corrélations.  En revanche, il y a des exemples intéressants d'enrichissement (sophistication) du symbolisme avec la logique floue probabiliste (Probabilistic Fuzzy Logic: PFL) pour l'interpétabilité ainsi que pour l'analyse des subtilités causales.  Notre objectif est d'ajouter l'hybridation à ces exemples en utilisant l'exemple d'un modèle arborescent pour une solution valorisante.  Ainsi, pour ces subtilités par l'illustration d'une étude de cas sur le choc septique, nous utilisons l'hybridation de cet enrichissement, qui est peu faite et récente, pour une interprétabilité à travers des probabilités, du clustering (ex. Gaussian Mixture (GM), Bayesian Gaussian MIxture (BGM)) et des règles "IF-THEN" par la fuzzification.  Notre approche se base, dès lors, sur des degrés d'appartenance flous.  Accessoirement, la PFL permet d'estimer de façon segmentée l'effet moyen du traitement (Average Treatment Effect: ATE), offrant ainsi une granularité mettant en évidence l'influence différenciée des variables sur l'effet du traitement.  Les résultats montrent, par exemple, que pour certaines variables, l'analyse floue offre une segmentation permettant de distinguer clairement l'influence des différents niveaux de la variable sur l'effet du traitement, avec des valeurs ajustées.  D'où, une meilleure interprétation des nuances causales.  In fine, les implications de cette démarche ouvrent des perspectives intéressantes pour des experts en causalité, interprétabilité, et décision avec une application potentielle dans d'autres domaines sensibles, tout en soulignant la nécessité d'optimiser certains paramètres en raison de la susceptibilité de la méthode à la qualité des données et au choix des paramètres.

Mots clés : interprétabilité, causalité, valeurs, PFL, Gaussian Mixture (GM), Bayesian Gaussian Mixture (BGM)  

JURY D'ÉVALUATION

Jamal Bentahar, Université de Concordia, professeur à l'Institut d'ingénierie des systèmes d'information (CIISE) (membre externe)

Janie Brisson, UQAM, professeure au département d'éducation et pédagogie (membre interne)

Hakim Lounis, UQAM, professeur au département d'informatique (membre interne et président du jury)

Ismaïl Biskri, UQTR, professeur au département de mathématiques et d'informatique (direction de recherche)

Serge Robert, UQAM, professeur au de philosophie (codirection de recherche)