La régulation européenne et mondiale concernant l’utilisation de systèmes d’Intelligence Artificielle a évolué en 2021. À partir de 2023, elle imposera l’usage d’une IA de Confiance pour les applications à haut risque.

À ce jour, xtractis® est la seule IA de Confiance au monde pour le déploiement d’applications IA à haut risque.

À partir d’un ensemble de données structurées, xtractis® est capable de découvrir automatiquement des modèles/systèmes prédictifs :

  • Au moins aussi performants que ceux produits par les meilleures IA boîte-noire (forêts aléatoires, arbres boostés, réseaux de neurones)
  • Et intelligibles (modèle boîte-blanche à base de règles SI..ALORS à logique continue)

 

Une fois induits par xtractis®, audités et validés par l’expert-métier et éventuellement certifiés par le régulateur, le modèle/système d’IA est déployé pour réaliser des prédictions à haute fréquence et rechercher des solutions optimales.

 

Dernières versions de la brochure et de la biographie : en pièces jointes. Documents aussi disponibles en version anglaise.

 

Dernières actualités web parues sur l’IA de Confiance xtractis® :

 

Derniers Use Cases xtractis® téléchargeables sur le site https://xtractis.ai/cas-dusage/:

  1. SANTé/PHARMA
    1. Diagnostic Génétique du Cancer de la Prostate (version courte en anglais)
      Intérêts de cette étude : Découvrir les stratégies de détection du cancer à partir des niveaux d’expression de 12 600 gènes et pour un petit nombre de patients. Benchmarking d’xtractis® versus forêts aléatoires, arbres boostés et réseaux de neurones.

 

    1. Diagnostic Anatomopathologique du Cancer du Sein (version courte en anglais)

Intérêts de cette étude : Découvrir les stratégies de détection du cancer à partir des caractéristiques topologiques des cellules. Benchmarking d’xtractis® versus régression logistique, forêts aléatoires, arbres boostés et réseaux de neurones.

 

    1. Diagnostic Spectrométrique du Cancer Ovarien (version courte en anglais)

Intérêts de cette étude : Découvrir les stratégies de détection du cancer à partir des 15 154 rapports masse/valence issus du spectre protéique d’échantillons de sérum et pour un petit nombre de patients. Benchmarking d’xtractis® versus régression logistique, forêts aléatoires, arbres boostés et réseaux de neurones.

 

    1. Identification Cardiotocographique de Pathologies Cardiaques du Fœtus (version courte en anglais)

Intérêts de cette étude : établir un diagnostic médical automatisé de cardiopathie fœtale à partir des caractéristiques du signal de la fréquence cardiaque fœtale et des contractions utérines. Benchmarking de xtractis® versus régression logistique, forêts aléatoires, arbres boostés et réseaux de neurones.

 

Toutes les applications décisionnelles médico-sanitaires étant à haut risque, l’OMS a indiqué en juin 2021 qu’il faudra désormais utiliser une IA de Confiance (i.e. efficace et boîte blanche).

De facto, les réseaux de neurones largement utilisés en médecine seraient hors-jeu.

Grâce à la découverte de nouvelles connaissances (règles SI…ALORS à logique continue), xtractis® permettrait également d’enrichir le corpus des connaissances médicales et de servir de coach aux étudiants en médecine.

 

  1. Défense/CYBER/Sécurité
    1. Détection Acoustique de Mines Sous-Marines (version courte en anglais)
      Intérêts de cette étude : Découvrir les stratégies de détection de mines à partir de signaux sonar. Benchmarking d’xtractis® versus régression logistique, forêts aléatoires, arbres boostés et réseaux de neurones.

 

    1. Détection d’Intrusion sur un Réseau Informatique (version courte en anglais)
      Intérêts de cette étude : Découvrir les stratégies de détection de cyber intrusion à partir de caractéristiques de logs de connexion. Benchmarking d’xtractis® versus régression logistique, forêts aléatoires, arbres boostés et réseaux de neurones.

 

  1. INDUSTRIE/R&D
    1. Conception d’un Système Automatique d’Aide au Freinage d’Urgence (version longue en français)

Intérêts de cette étude : Expliciter le comportement caché d’un bon freinage en situation d’urgence, afin d’assister automatiquement le conducteur en fonction de son style de conduite. Benchmarking d’xtractis® versus forêts aléatoires, arbres boostés et réseaux de neurones.

 

    1. Maintenance Prédictive d’une Turbine de Frégate (version longue en français)
      Intérêts de cette étude : Expliciter le comportement caché très complexe de défaillance du compresseur. Benchmarking d’xtractis® versus forêts aléatoires, arbres boostés et réseaux de neurones.

 

 

Les prochains Use Cases porteront sur la Défense/Cyber/Sécurité, la Finance (Analyse de risque), le Contrôle Qualité, la Découverte de formulations optimales de produit, l’Allocation optimale de ressources (Logistique), la Rétro-Ingénierie boîte-blanche de modèles boîte-noire, l’Induction de modèles intelligibles par Renforcement.