{"id":5896,"date":"2021-08-23T07:00:45","date_gmt":"2021-08-23T05:00:45","guid":{"rendered":"http:\/\/variances.eu\/?p=5896"},"modified":"2021-08-23T07:32:01","modified_gmt":"2021-08-23T05:32:01","slug":"intelligence-artificielle-et-finance-des-applications-a-la-regulation","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=5896","title":{"rendered":"Intelligence Artificielle et Finance : Des Applications \u00e0 la R\u00e9gulation"},"content":{"rendered":"

De la \u00ab\u00a0hype\u00a0\u00bb et des maths<\/strong><\/h3>\n

Intelligence artificielle, r\u00e9seaux de neurones, deep fake<\/em>, apprentissage profond, reportages sur Netflix, cas d\u2019usages populaires parmi lesquels le jeu de go ou des tableaux g\u00e9n\u00e9r\u00e9s \u00e0 la mani\u00e8re de Rembrandt : que ce soit sur les appellations, sur l\u2019occupation m\u00e9diatique, ou sur les th\u00e8mes abord\u00e9s\u2026 S’il existait, le brand manager <\/em>du machine learning (ML) moderne donnerait des conf\u00e9rences \u00e0 des foules conquises car il a r\u00e9ussi le tour de force de faire parler de maths \u00e0 peu pr\u00e8s tout le monde. On assiste ainsi \u00e0 des d\u00e9bats souvent id\u00e9ologiques et pas toujours tr\u00e8s bien renseign\u00e9s sur l\u2019Intelligence Artificielle (IA). Il n\u2019est pas impossible que ce ph\u00e9nom\u00e8ne de hype <\/em>ait pu provoquer un retard \u00e0 l\u2019allumage d\u2019une partie de la communaut\u00e9 scientifique sur le mode du \u201cc\u2019est trop \u00e0 la mode pour \u00eatre s\u00e9rieux\u201d. Il faut dire que cette r\u00e9volution math\u00e9matique venait non pas des math\u00e9matiques ni de la physique mais de l\u2019informatique, qui plus est sur des probl\u00e8mes r\u00e9put\u00e9s impossibles et de mani\u00e8re un peu outranci\u00e8re, le tout sans autre preuve de convergence que des preuves empiriques. Cinq ans en arri\u00e8re, on pouvait donc entendre \u201cCe ne peut pas vraiment \u00eatre s\u00e9rieux\u201c, \u201cC\u2019est du vent, \u00e7a ne marche pas vraiment\u201d. Je renvoie vers les excellents cours du coll\u00e8ge de France de St\u00e9phane Mallat qui explique bien les raisons de l’incr\u00e9dulit\u00e9 des d\u00e9buts : sur certains probl\u00e8mes, ce ne devait pas marcher.<\/p>\n

Et pourtant \u00e7a marche\u00a0! Les d\u00e9monstrations empiriques ont rapidement converti les incr\u00e9dules et montraient que c\u2019\u00e9tait tr\u00e8s s\u00e9rieux. Car une fois pass\u00e9e l\u2019euphorie de la reconnaissance d\u2019images de chats, beaucoup de probl\u00e8mes historiques sont tomb\u00e9s; probl\u00e8mes tr\u00e8s visuels (jeu de go, deep fake<\/em>) ou plus matheux (r\u00e9solution num\u00e9rique d\u2019Equations aux D\u00e9riv\u00e9es Partielles (EDP) en grande dimension, r\u00e9solution de probl\u00e8mes de contr\u00f4les, probl\u00e8mes d\u2019optimisation combinatoire). Des papiers sobrement intitul\u00e9s \u201cOvercoming the curse of dimensionality<\/em> (…)\u201d (Jentzen et. al (2017)) d\u00e9frayaient la chronique et \u00e0 juste titre. Soudain, un stagiaire muni d\u2019un PC pouvait r\u00e9soudre une EDP semi-lin\u00e9aire en dimension 100 en une apr\u00e8s-midi de Python quand une nuit sur cluster, du C++ et un expert \u00e9taient jusqu\u2019alors n\u00e9cessaires pour attaquer la dimension 5. Car non contentes d’\u00eatre diablement efficaces, ces techniques sont rendues facilement accessibles via des librairies open source<\/em> de tr\u00e8s grande qualit\u00e9 et via des environnements d\u2019ex\u00e9cution d\u00e9port\u00e9s fournis par les GAFAM (enfin surtout les GFA).<\/p>\n

On vit actuellement une p\u00e9riode assez extraordinaire qui voit travailler sur le m\u00eame sujet plusieurs branches des math\u00e9matiques (analystes, g\u00e9om\u00e8tres ou statisticiens) pour le c\u00f4t\u00e9 th\u00e9orique, \u00e0 peu pr\u00e8s toutes les industries et quasiment tous les domaines scientifiques (astrophysique, chimie, arch\u00e9ologie, biologie ou m\u00e9decine). Dans tout cela, la finance n\u2019a pas \u00e9t\u00e9 la derni\u00e8re \u00e0 r\u00e9fl\u00e9chir \u00e0 des utilisations. D\u2019habitude, on a un clou et on cherche le marteau pour l\u2019enfoncer, ici c\u2019\u00e9tait l\u2019inverse : quel clou ce marteau allait-il bien pouvoir enfoncer ?<\/p>\n

IA en finance\u00a0: pr\u00e9diction de prix, strat\u00e9gies de gestion et r\u00e9gulation<\/strong><\/h3>\n

Les m\u00e9thodes modernes de Machine Learning (ML) utilisent des algorithmes d\u2019optimisation faisant intervenir un grand nombre de donn\u00e9es et plut\u00f4t en grande dimension. Alors, que ces techniques r\u00e9volutionnent-elles? Premi\u00e8rement, exit <\/em>les hypoth\u00e8ses de lin\u00e9arit\u00e9; aujourd\u2019hui, il est tr\u00e8s simple d\u2019approcher des fonctions non lin\u00e9aires. D\u2019apparence, cela donne un gros coup de vieux \u00e0 nos bonnes vieilles r\u00e9gressions lin\u00e9aires. Deuxi\u00e8mement, ces m\u00e9thodes semblent peu sensibles \u00e0 la dimension (la classification d\u2019images est un probl\u00e8me en dimension excessivement grande (sup\u00e9rieure au million)). Troisi\u00e8mement, on peut aujourd\u2019hui traiter des donn\u00e9es textuelles ou des images de mani\u00e8re tr\u00e8s simple et last but not least,<\/em> les m\u00e9thodes d’optimisation qui leur sont associ\u00e9es permettent a priori de traiter des probl\u00e8mes non convexes. Tout cela, coupl\u00e9 \u00e0 la puissance de calcul et \u00e0 la facilit\u00e9 d\u2019utilisation de ces techniques gr\u00e2ce \u00e0 l\u2019open source,<\/em> explique les succ\u00e8s tonitruants du ML, succ\u00e8s qui ont notamment commenc\u00e9 par de la reconnaissance d\u2019images.<\/p>\n

Alors justement, puisqu\u2019on arrivait \u00e0 distinguer une image de chat d\u2019une image de chien avec un taux de r\u00e9ussite de 99 %, le tout puissant Machine Learning<\/em> pouvait bien reconna\u00eetre une action appel\u00e9e \u00e0 prendre de la valeur d\u2019une action qui devait en perdre. Rapidement, on a ainsi vu passer des articles promettant de pr\u00e9voir des cours d\u2019actions avec un taux de confiance tr\u00e8s \u00e9lev\u00e9 et sur des march\u00e9s tr\u00e8s liquides. Malheureusement, la mise en pratique de ces travaux sur des s\u00e9ries temporelles de prix n\u2019a pas confirm\u00e9 les promesses. En tout cas, pas avec les donn\u00e9es accessibles au commun des mortels.<\/p>\n

Gardons les pieds sur terre. Ces technologies r\u00e9volutionnent beaucoup de choses, mais ce qui \u00e9tait interdit d’apr\u00e8s les lois les plus basiques de l’\u00e9conomie doit le rester. Dit autrement, il n\u2019y a sur la dur\u00e9e toujours pas de free lunch<\/em>, ni d\u2018arbitrage. Le cas contraire serait une faille dont la disponibilit\u00e9 des donn\u00e9es et des algorithmes rendrait la dur\u00e9e extr\u00eamement courte. A moins de faire du HFT[1]<\/a>, d\u2019utiliser temporairement des donn\u00e9es que les autres n\u2019ont pas encore int\u00e9gr\u00e9es, on ne peut esp\u00e9rer aucun gain gratuit syst\u00e9matique et certain. Des travaux plus nuanc\u00e9s (Gu et Kelly (2020)) tendent n\u00e9anmoins \u00e0 montrer un avantage relatif mais non d\u00e9cisif des r\u00e9seaux de neurones sur les pr\u00e9visions de prix par rapport aux r\u00e9gressions lin\u00e9aires usuelles. Encore faut-il bien calibrer les hyper param\u00e8tres. Et pour ce faire, deux possibilit\u00e9s : l\u2019agr\u00e9gation d\u2019experts (Keywan et al. (2019)) et l\u2019autoML (He et al. (2020)). Dans le premier cas, on m\u00e9lange judicieusement plusieurs algorithmes, dans le second cas, on utilise des m\u00e9thodes d\u2019optimisation pour trouver les meilleurs param\u00e8tres et les meilleures architectures.<\/p>\n

On ne peut certes pas profiter d\u2019un gain certain avec des donn\u00e9es de prix tr\u00e8s accessibles mais peut-\u00eatre qu\u2019en scrutant les fils Twitter et en les int\u00e9grant \u00e0 nos algorithmes de pr\u00e9vision de prix, on pourrait avoir un avantage (Oliviera et al. 2017)? En r\u00e9alit\u00e9, le temps que met un tweet d\u2019Elon Musk \u00e0 se r\u00e9percuter sur les indices concern\u00e9s est epsilonesque. Et si l\u2019on payait une fortune des photos satellites de bateaux quittant les ports m\u00e9thaniers pour pr\u00e9voir s\u2019ils rentraient au port ou s\u2019ils allaient chercher des barils? L\u00e0 aussi, tout le monde a fini par le faire. On assiste ainsi \u00e0 une course \u00e0 la donn\u00e9e dite alternative de plus en plus exotique, de plus en plus prot\u00e9g\u00e9e et surtout de plus en plus ch\u00e8re (le vendeur de tamis s\u2019enrichit souvent plus que le chercheur d\u2019or). L\u2019enjeu dans ce cas d\u2019application est bien la donn\u00e9e et non la partie algorithmique. Alors, peut-\u00eatre qu\u2019en utilisant des donn\u00e9es dont personne d\u2019autre ne disposera jamais, on pourrait avoir un avantage d\u00e9finitif ? Et l\u00e0, nul besoin d\u2019IA, on appelle cela le d\u00e9lit d\u2019initi\u00e9s.<\/p>\n

Outre la pr\u00e9vision de prix, la capacit\u00e9 \u00e0 utiliser des donn\u00e9es de nature h\u00e9t\u00e9rog\u00e8ne peut \u00eatre utilis\u00e9e pour construire des dashboards <\/em>permettant \u00e0 l\u2019op\u00e9rateur de disposer d\u2019une synth\u00e8se de ce qu\u2019il se passe sur internet, sur les r\u00e9seaux sociaux ainsi que sur les march\u00e9s qui le concernent. L\u2019IA ici ne d\u00e9cide pas \u00e0 la place de l\u2019op\u00e9rateur mais a bien un r\u00f4le d\u2019assistant.<\/p>\n

Une autre famille d’applications concerne la reproduction d’outils de calculs car on doit bien le confesser : la finance est une grosse consommatrice de temps de calcul. Des montants non n\u00e9gligeables ont \u00e9t\u00e9 et sont encore d\u00e9pens\u00e9s pour rendre plus rapides des codes de calculs, pour les optimiser, les parall\u00e9liser, les faire tourner sur des cartes graphiques, parfois en pure perte. Seulement aujourd\u2019hui, quel int\u00e9r\u00eat a-t-on \u00e0 recruter un d\u00e9veloppeur exp\u00e9riment\u00e9 pour gagner un hypoth\u00e9tique 30 % en temps de calcul sur un outil de pricing lorsque l’on peut lancer l’outil des millions de fois et reproduire son comportement par une IA qui, une fois entra\u00een\u00e9e, se lance en quelques millisecondes, tout en fournissant en plus des d\u00e9riv\u00e9es partielles (et donc des sensibilit\u00e9s) jusqu’alors difficilement accessibles ?<\/p>\n

L\u2019exemple de la reproduction d\u2019outil est un cas d\u2019application qui s\u2019appuie uniquement sur des donn\u00e9es synth\u00e9tiques. Il est ainsi erron\u00e9 de r\u00e9duire le Machine Learning \u00e0 la data science<\/em> car on peut aussi profiter du ML si on a tr\u00e8s peu, voire pas de donn\u00e9es du tout; surtout en finance car dans ce domaine on sait tr\u00e8s bien simuler : simuler des prix, simuler des valeurs de portefeuilles, on y travaille depuis des dizaines d’ann\u00e9es. Ce savoir-faire sur les simulateurs et les mod\u00e8les est heureusement utilis\u00e9 dans le calcul de strat\u00e9gies optimales par r\u00e9seaux de neurones (Buehler et al. (2019)). Dans ce cas, on se donne un crit\u00e8re ainsi qu\u2019un simulateur Monte Carlo, et un algorithme de renforcement nous propose une strat\u00e9gie optimale. Ce cadre \u00a0cible illustr\u00e9 sur la Figure 1 change beaucoup de choses et pose plusieurs questions.<\/p>\n

Avant tout et comme dit plus haut, m\u00eame si c\u2019est mieux, le crit\u00e8re n\u2019est plus forc\u00e9ment convexe. Nous sommes ainsi libres de le changer. Par exemple pour la couverture de risques, certes la r\u00e9duction de variance du portefeuille couvert est un probl\u00e8me qui poss\u00e8de de bonnes propri\u00e9t\u00e9s math\u00e9matiques mais est-ce bien le crit\u00e8re qu\u2019un gestionnaire de risques doit minimiser ? Dit autrement, un gestionnaire de risques a-t-il vraiment envie de p\u00e9naliser autant ses pertes que ses gains? L\u2019IA permet justement dans ce cas d\u2019utiliser d\u2019un crit\u00e8re asym\u00e9trique p\u00e9nalisant plus les pertes que les gains (F\u00e9camp et al. (2021)). Maintenant qu\u2019on peut num\u00e9riquement se le permettre, des r\u00e9flexions profondes sont ainsi men\u00e9es pour savoir quel crit\u00e8re est le plus appropri\u00e9 et pour quelle entit\u00e9 (crit\u00e8re en quantile, crit\u00e8re global ou crit\u00e8re local). D\u2019autant que ces m\u00e9thodes sont plut\u00f4t flexibles et on y int\u00e8gre facilement des r\u00e9alit\u00e9s de march\u00e9s telles que les contraintes de liquidit\u00e9, les co\u00fbts de transactions ou encore le market impact<\/em>. De plus, la strat\u00e9gie en sortie peut d\u00e9pendre de cent facteurs de risques sans que cela ne pose de probl\u00e8mes alors que jusqu\u2019alors, sur les cas complexes que l\u2019on regarde aujourd\u2019hui, la dimension 4 \u00e9tait l\u2019Himalaya (comprenez une nuit de calcul sur un Calculateur Haute Performance (HPC)) et la dimension 5 \u00e9tait inatteignable.<\/p>\n

Pour alimenter les m\u00e9thodes de renforcement, l’industrie bancaire (au moins autant que les m\u00e9dias) regarde de pr\u00e8s les m\u00e9thodes g\u00e9n\u00e9ratives. Apr\u00e8s tout, si l’on sait g\u00e9n\u00e9rer des Rembrandt (voir Next Rembrandt (2021)) on doit savoir faire de m\u00eame pour des s\u00e9ries temporelles. L\u2019application des m\u00e9thodes g\u00e9n\u00e9ratives aux s\u00e9ries temporelles n\u2019est malheureusement pas aussi directe que l\u2019on aurait pu esp\u00e9rer mais des solutions \u00e9mergent (Yoon et al. (2019), Remlinger et al. (2021)). Encore mieux, on arrive \u00e0 contourner une \u00e9ventuelle faible disponibilit\u00e9 de la donn\u00e9e en utilisant le transfer learning<\/em> qui permet de m\u00e9langer des donn\u00e9es issues d\u2019un simulateur \u00e0 des donn\u00e9es r\u00e9elles lors de la phase d\u2019apprentissage sur le mode : si on a appris \u00e0 jouer de l\u2019orgue, on aura besoin de moins de temps pour apprendre le piano que si on n\u2019a rien appris du tout<\/em>.<\/p>\n

\"\"<\/p>\n

Figure 1. Calcul de strat\u00e9gie optimale.<\/em><\/p>\n

Vient la question de la bo\u00eete noire. Si l’on revient un peu en arri\u00e8re, l’on passait beaucoup de temps en amont des algorithmes pour les mettre au point, \u00e9crire leur cahier des charges, les d\u00e9velopper, optimiser les codes et une fois ces codes pr\u00eats on les mettait relativement rapidement en op\u00e9rationnel. Dans les pr\u00e9c\u00e9dents cas d\u2019usages, une grande partie du temps de design <\/em>et du temps de d\u00e9veloppement des algorithmes a \u00e9t\u00e9 d\u00e9plac\u00e9e vers la phase de tests c\u00f4t\u00e9 expert m\u00e9tier et c\u2019est tant mieux. En finance, un data scientist<\/em> seul ne suffit pas car sans les exp\u00e9rimentations men\u00e9es par l\u2019expert m\u00e9tier, pas d\u2019IA. La flexibilit\u00e9 et la rapidit\u00e9 des m\u00e9thodes de ML aident l\u2019expert m\u00e9tier \u00e0 affiner sa compr\u00e9hension des m\u00e9canismes de march\u00e9s, \u00e0 contredire ou \u00e0 confirmer ses intuitions et \u00e0 mieux mod\u00e9liser son besoin. L\u2019IA ne remplace alors pas l’expert mais au contraire elle consolide sa connaissance. Cet \u00e9change vertueux qui se met en place dans les bons cas est en outre aid\u00e9 par des outils d\u2019interpr\u00e9tabilit\u00e9 (Rudin (2020)).<\/p>\n

Cela est bien beau pour le c\u00f4t\u00e9 op\u00e9rationnel, mais qu\u2019en est-t-il du r\u00e9gulateur ? Comment faire accepter \u00e0 un r\u00e9gulateur que nos d\u00e9cisions viennent d’un algorithme qui a la r\u00e9putation d\u2019\u00eatre une bo\u00eete noire? R\u00e9gulateur dont la m\u00e9fiance doit, qui plus est, \u00eatre attis\u00e9e par des mini-krachs provoqu\u00e9s par des algorithmes de trading automatiques. Mini-krachs que l\u2019uniformisation des m\u00e9thodes de ML et autres HoaxCrash <\/em>ne rendront que plus fr\u00e9quents. Un peu sur le m\u00eame th\u00e8me, on peut rench\u00e9rir sur une expression tout aussi bien trouv\u00e9e que celles mentionn\u00e9es au d\u00e9but : les attaques adversariales qui, sur le papier, pourraient \u00eatre utilis\u00e9es par un investisseur de march\u00e9 au parfum de la strat\u00e9gie de son concurrent pour le mettre \u00e0 mal (Lin et al. (2017), Goldblum et al. (2020)).<\/p>\n

La question de la confiance ne peut pas nous emp\u00eacher d\u2019utiliser le ML. Apr\u00e8s tout, les r\u00e9gulateurs eux-m\u00eames utilisent l\u2019IA pour monitorer les actions frauduleuses. Plus g\u00e9n\u00e9ralement, l\u2019explicabilit\u00e9 et l\u2019interpr\u00e9tabilit\u00e9 sont des champs de recherche assez f\u00e9conds, stimul\u00e9s notamment par les acteurs de l’automobile, de l’a\u00e9ronautique ou encore de la m\u00e9decine pour qui l\u2019acceptabilit\u00e9 est tr\u00e8s dure \u00e0 acqu\u00e9rir (Gilpin et al. (2018)).<\/p>\n

Tr\u00e8s r\u00e9cemment, l\u2019Union Europ\u00e9enne (UE) a publi\u00e9 une note sur l\u2019IA (Commission Europ\u00e9enne (2021)) dans laquelle une liste de secteurs \u00e0 haut risques est dress\u00e9e. Pour ceux qui font partie de cette liste (et c\u2019est le cas du milieu bancaire \u00e0 travers notamment le risque de cr\u00e9dit), l\u2019UE conseille de mettre place des \u201csyst\u00e8mes ad\u00e9quats d’\u00e9valuation et d’att\u00e9nuation des risques\u201d. Nouveaux risques, nouvelles strat\u00e9gies pour les att\u00e9nuer : c\u00f4t\u00e9 finance, les institutions et les r\u00e9gulateurs voient l\u00e0 s\u2019ouvrir un nouveau champ de questionnements dont vont immanquablement d\u00e9couler de nouvelles innovations.<\/p>\n

 <\/p>\n

Mots-cl\u00e9s : finance – deep hedging – machine learning – m\u00e9thodes g\u00e9n\u00e9ratives – pr\u00e9vision de prix<\/em><\/p>\n

 <\/p>\n

Cet article a \u00e9t\u00e9 initialement publi\u00e9 le 3 mai 2021.<\/em><\/p>\n

 <\/p>\n

[1]<\/a> Trading \u00e0 haute fr\u00e9quence<\/em><\/p>\n

\n

Bibliographie <\/strong><\/p>\n

Buehler, H., Gonon, L., Teichmann, J., & Wood, B. (2019). Deep hedging<\/em>. Quantitative Finance, 19(8), 1271-1291.<\/p>\n

Commission Europ\u00e9enne (2021), Une Europe adapt\u00e9e \u00e0 l’\u00e8re du num\u00e9rique: La Commission propose de nouvelles r\u00e8gles et actions en faveur de l’excellence et de la confiance dans l’intelligence artificielle.<\/p>\n

F\u00e9camp, S., Mikael, J., Warin, X (2020). Deep learning for discrete-time hedging in incomplete markets<\/em>. Journal of Computational Finance<\/p>\n

Gilpin, Leilani H., Bau, David, Yuan, Ben Z.,\u00a0et al.<\/em>\u00a0Explaining explanations: An overview of interpretability of machine learning<\/em> in :\u00a02018 IEEE 5th International Conference on data science and advanced analytics (DSAA)<\/em>. IEEE, 2018. p. 80-89.<\/p>\n

Goldblum, M., Schwarzschild, A., Cohen, N., Balch, T., Patel, A. B., & Goldstein, T. (2020). Adversarial Attacks on Machine Learning Systems for High-Frequency Trading<\/em>. arXiv preprint arXiv:2002.09565.<\/p>\n

Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning<\/em>. The Review of Financial Studies, 33(5), 2223-2273.<\/p>\n

Han, Jiequn and Jentzen, Arnulf and Weinan, E, 2017 Overcoming the curse of dimensionality: Solving high-dimensional partial differential equations using deep learning<\/em><\/p>\n

He, X., Zhao, K., & Chu, X. (2021). AutoML: A Survey of the State-of-the-Art. Knowledge-Based Systems<\/em>, 212, 106622.<\/p>\n

Keywan C. R. & Robert C. J (2019) Machine Learning for Stock Selection<\/em>, Financial Analysts Journal, 75:3, 70-88, DOI:10.1080\/0015198X.2019.1596678<\/p>\n

Lin, Y. C., Hong, Z. W., Liao, Y. H., Shih, M. L., Liu, M. Y., & Sun, M. (2017). Tactics of adversarial attack on deep reinforcement learning agents<\/em>.\u00a0arXiv preprint arXiv:1703.06748.<\/p>\n

Mallat, S (2017- 2018) L\u2019apprentissage par r\u00e9seaux de neurones profonds, Cours du coll\u00e8ge de France – Chaire Sciences des donn\u00e9es<\/p>\n

Mallat, S (2018- 2019) L\u2019apprentissage par r\u00e9seaux de neurones profonds Cours du coll\u00e8ge de France – Chaire Sciences des donn\u00e9es<\/p>\n

Next Rembrandt (Avril 2021)\u00a0https:\/\/www.nextrembrandt.com\/<\/a><\/span><\/span><\/p>\n

Oliveira, N., Cortez, P., & Areal, N. (2017). The impact of microblogging data for stock market prediction: Using Twitter to predict returns, volatility, trading volume and survey sentiment indices<\/em>. Expert Systems with Applications, 73, 125-144.<\/p>\n

Remlinger, C, Mikael, J., & Elie, R. Conditional Versus Adversarial Euler-based Generators For Time Series<\/em>. arXiv preprint arXiv:2102.05313, 2021.<\/p>\n

Rudin, C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead.\u00a0Nat Mach Intell\u00a01,\u00a0206\u2013215 (2019).<\/p>\n

Yoon, J., Jarrett, D. & Van Der Schaar, M. Time-series generative adversarial networks<\/em>. Neurips 2019.<\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

De la \u00ab\u00a0hype\u00a0\u00bb et des maths Intelligence artificielle, r\u00e9seaux de neurones, deep fake, apprentissage profond, reportages sur Netflix, cas d\u2019usages populaires parmi lesquels le jeu de go ou des tableaux g\u00e9n\u00e9r\u00e9s \u00e0 la mani\u00e8re de Rembrandt : que ce soit sur les appellations, sur l\u2019occupation m\u00e9diatique, ou sur les th\u00e8mes abord\u00e9s\u2026 S’il existait, le brand […]<\/p>\n","protected":false},"author":355,"featured_media":5899,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[164],"tags":[],"class_list":["post-5896","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-intelligence-artificielle","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/5896","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/355"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5896"}],"version-history":[{"count":0,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/5896\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/5899"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5896"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5896"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5896"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}