Bien qu'ils soient souvent étudiés séparément, ces domaines sont complémentaires : la causalité révèle les mécanismes sous-jacents de cause à effet des données, tandis que l'explicabilité met en lumière le comportement des modèles prédictifs. En les réunissant, cela ouvrira de nouvelles voies pour améliorer la fiabilité et l'interprétabilité des modèles d'IA. Conçu pour les étudiants en master et en doctorat, le programme combine des cours magistraux, des travaux dirigés et des discussions interdisciplinaires, y compris un tutoriel d'introduction accessible adapté aux étudiants en master.

Speakers confirmés

• Erwan Scornet, Lecturer in Applied Mathematics - Sorbonne Université, Paris (LPSM, SCAI)

• Gjergji Kasneci, Professor of Responsible Data Science - Technical University of Munich (TUM)

• Grégoire Montavon, Professor at Charité Universitätsmedizin Berlin and Research Group Lead in the Berlin Institute for the Foundations of Learning and Data (BIFOLD)

• Julie Josse, Senior Researcher at Inria (National research center for digital science), leader of the Inria-Inserm team Premedical

• Krikamol Muandet, Chief scientist and tenure-track faculty at CISPA - Helmholtz Center for Information Security

• Mihaela van der Schaar, John Humphrey Plummer Professor of ML, AI & Medicine — University of Cambridge

• Ronan Sicre, Junior Professor Chair - University Toulouse (IRIT, ADRIA)

• Ulrike von Luxburg, Professor of Statistical Learning Theory - University of Tübingen

Organisateurs

• Damien Garreau, Julius-Maximilians-Universität Würzburg

• Emilie Devijver, CNRS, Université Grenoble Alpes

• Luca Ganassali, Université Paris-Saclay

• Marianne Clausel, Université de Lorraine

• Ricardo Borsoi, CNRS, Université de Lorraine