Un cadre d'aide à l'exploitation des résultats de prédictions, à destination d'experts de domaine.

L’apprentissage automatique (ML) s’est revele de plus en plus essentiel dans de nombreux domaines. Pourtant, de nombreux obstacles limitent encore son utilisation par des non-experts. Au premier rang de ceux ci se situe le manque de confiance dans les resultats obtenus et a inspire plusieurs approches explicatives dans la litterature. Nous proposons ici un cadre pour exploiter cette capacite a expliquer les predictions de ML de maniere simple. Ceci a pour but de permettre aux outils ML existants de fournir une information plus interpretable aux utilisateurs ne maitrisant pas encore l’apprentissage automatique. Ceci est effectue en fournissant a l’utilisateur une explication detaillee de l’influence des attributs pour chaque instance predite, en relation avec le modele d’apprentissage automatique. Nous montrerons egalement en quoi cette explication aide les utilisateurs non-experts a effectuer certaines tâches d’analyse complexes,telles que la selection de modeles et l’ingenierie de fonctionnalites, et fournit une assistance pour exploiter efficacement les resultats d’un modele predictif.