Abstract (FR)

Ces dernières années, les besoins en intelligence artificielle (IA) explicable/interprétable ont augmenté avec l’utilisation omniprésente de l’IA dans la vie quotidienne. Les femmes/hommes ont tendance à ne pas faire confiance à un système d’IA incapable de justifier la façon dont les résultats ont été générés et le considèrent comme un système de «boîte noire». Les utilisateurs veulent qu’un système d’IA puisse non seulement fournir des résultats de haute qualité, mais aussi qu’il soit transparent dans le processus de génération de résultats, appelé «IA explicable» ou «IA interprétable». La plupart des travaux actuels sur ce que sont les explications et les interprétations dans les systèmes d’IA sont basés sur les intuitions subjectives des chercheurs sanssupport théorique solide, ni consensus commun, ni définition mathématique, ce qui peut être la cause d’une mauvaise définition et d’une ambiguïté dans l’utilisation des deux termes: interpréter et expliquer. Dans cet article, nous cherchons à lever cette ambiguïté dans le contexte de l’IA à l’aide d’un solide support théorique issu de la gestion des connaissances. Nous discutons également des méthodes d’évaluation possibles pour l’interprétabilité et l’explicabilité dans les systèmes d’IA.