Description Évaluer et intégrer des méthodes d’explicabilité (texte/image) sur des modèles de démonstration afin de produire des explications compréhensibles pour un usage clinique simulé.

Objectifs

• Comparer des méthodes XAI sur des cas d’étude simples
• Produire une visualisation claire des explications (heatmaps, surlignage)
• Formaliser une grille d’évaluation de la qualité des explications

Travaux attendus

• Revue rapide (LIME, SHAP, Grad-CAM, etc.)
• Implémentation sur un modèle de démo (ex. classification) avec données synthétiques
• Développement d’une interface de visualisation des explications
• Rédaction d’un rapport: limites, risques, bonnes pratiques (éthique/XAI)

Technologies

• Python, LIME, SHAP, PyTorch/TensorFlow, Streamlit

Profil

• Bac+4/5 – IA / Data / Vision
• Intérêt pour l’interprétabilité et l’éthique

Durée et modalités

• 4–6 mois
• Hybride

Contraintes

• Données simulées uniquement
• Aucun accès au cœur médical ou business
• Respect strict de la confidentialité

📧 Pour postuler: amira.karoui@hopevision.health