Description du projet
Tirer parti de l’algèbre abstraite pour rendre l’intelligence artificielle plus transparente
L’apprentissage automatique algébrique (AML) constitue une méthode relativement nouvelle d’apprentissage automatique basée sur des représentations algébriques des données. Contrairement à l’apprentissage statistique, les algorithmes AML sont fiables d’un point de vue des propriétés statistiques des données et ils sont dénués de paramètres. L’objectif du projet ALMA financé par l’UE est de tirer parti des propriétés de l’AML afin de développer une nouvelle génération de systèmes d’apprentissage automatique interactifs centrés sur l’homme. Ces systèmes sont susceptibles de réduire les biais et prévenir la discrimination, de mobiliser leurs connaissances lors de l’apprentissage de nouvelles choses, de promouvoir la confiance et la fiabilité, et d’intégrer des contraintes éthiques complexes dans des systèmes homme-intelligence artificielle. De plus, ils devraient également favoriser l’apprentissage collaboratif distribué.
Objectif
Algebraic Machine Learning (AML) has recently been proposed as new learning paradigm that builds upon Abstract Algebra, Model Theory. Unlike other popular learning algorithms, AML is not a statistical method, but it produces generalizing models from semantic embeddings of data into discrete algebraic structures, with the following properties:
P1: Is far less sensitive to the statistical characteristics of the training data and does not fit (or even use) parameters
P2: Has the potential to seamlessly integrate unstructured and complex information contained in training data, with a formal representation of human knowledge and requirements;
P3. Uses internal representations based on discrete sets and graphs, offering a good starting point for generating human understandable, descriptions of what, why and how has been learned
P4. Can be implemented in a distributed way that avoids centralized, privacy-invasive collections of large data sets in favor of a collaboration of many local learners at the level of learned partial representations.
The aim of the project is to leverage the above properties of AML for a new generation of Interactive, Human-Centric Machine Learning systems., that will:
- Reduce bias and prevent discrimination by reducing dependence on statistical properties of training data (P1), integrating human knowledge with constraints (P2), and exploring the how and why of the learning process (P3)
- Facilitate trust and reliability by respecting ‘hard’ human-defined constraints in the learning process (P2) and enhancing explainability of the learning process (P3)
- Integrate complex ethical constraints into Human-AI systems by going beyond basic bias and discrimination prevention (P2) to interactively shaping the ethics related to the learning process between humans and the AI system (P3)
- Facilitate a new distributed, incremental collaborative learning method by going beyond the dominant off-line and centralized data processing approach (P4)
Champ scientifique
- natural sciencesmathematicspure mathematicsdiscrete mathematicsmathematical logic
- social sciencessociologysocial issuessocial inequalities
- natural sciencesmathematicspure mathematicsalgebra
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencesdata sciencedata processing
Mots‑clés
Programme(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
28760 TRES CANTOS MADRID
Espagne
L’entreprise s’est définie comme une PME (petite et moyenne entreprise) au moment de la signature de la convention de subvention.