Certains contenus de cette application ne sont pas disponibles pour le moment.
Si cette situation persiste, veuillez nous contacter àObservations et contact
1. (WO2019045758) APPRENTISSAGE DE MODÈLE INTERACTIF À INTERVENTION HUMAINE
Dernières données bibliographiques dont dispose le Bureau international    Formuler une observation

N° de publication : WO/2019/045758 N° de la demande internationale : PCT/US2017/054213
Date de publication : 07.03.2019 Date de dépôt international : 29.09.2017
Demande présentée en vertu du Chapitre 2 : 26.03.2018
CIB :
G06N 3/08 (2006.01) ,G06F 7/00 (2006.01) ,G06F 15/18 (2006.01) ,G06G 7/00 (2006.01)
G PHYSIQUE
06
CALCUL; COMPTAGE
N
SYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3
Systèmes de calculateurs basés sur des modèles biologiques
02
utilisant des modèles de réseaux neuronaux
08
Méthodes d'apprentissage
G PHYSIQUE
06
CALCUL; COMPTAGE
F
TRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
7
Méthodes ou dispositions pour le traitement de données en agissant sur l'ordre ou le contenu des données manipulées
G PHYSIQUE
06
CALCUL; COMPTAGE
F
TRAITEMENT ÉLECTRIQUE DE DONNÉES NUMÉRIQUES
15
Calculateurs numériques en général; Équipement de traitement de données en général
18
dans lequel un programme est modifié en fonction de l'expérience acquise par le calculateur lui-même au cours d'un cycle complet; Machines capables de s'instruire
G PHYSIQUE
06
CALCUL; COMPTAGE
G
CALCULATEURS ANALOGIQUES
7
Dispositifs dans lesquels l'opération de calcul est effectuée en faisant varier des grandeurs électriques ou magnétiques
Déposants :
GOOGLE LLC [US/US]; 1600 Amphitheatre Parkway Mountain View, CA 94043, US
Inventeurs :
CHEN, Kai; KH
OREN, Eyal; US
YEE, Hector; US
WILSON, James; US
RAJKOMAR, Alvin; US
HARDT, Michaela; US
Mandataire :
FAIRHALL, Thomas, A.; US
Données relatives à la priorité :
62/552,08830.08.2017US
Titre (EN) HUMAN-IN-THE-LOOP INTERACTIVE MODEL TRAINING
(FR) APPRENTISSAGE DE MODÈLE INTERACTIF À INTERVENTION HUMAINE
Abrégé :
(EN) A method is described for training a predictive model which increases the interpretability and trustworthiness of the model for end-users. The model is trained from data having multitude of features. Each feature is associated with a real value and a time component. Many predicates (atomic elements for training the model) are defined as binary functions operating on the features, and typically time sequences of the features or logical combinations thereof. The predicates can be limited to those functions which have human understandability or encode expert knowledge relative to a predication task of the model. We iteratively train a boosting model with input from an operator or human-in-the-loop. The human-in-the-loop is provided with tools to inspect the model as it is iteratively built and remove one or more of the predicates in the model, e.g. if it does not have indicia of trustworthiness, is not causally related to a prediction of the model, or is not understandable. We repeat the iterative process several times ultimately generate a final boosting model. The final model is then evaluated, e.g., for accuracy, complexity, trustworthiness and post-hoc explainability.
(FR) L'invention concerne un procédé d'apprentissage d'un modèle prédictif qui augmente l'intelligibilité et la fiabilité du modèle pour des utilisateurs finaux. Le modèle apprend à partir de données possédant une multitude de caractéristiques. Chaque caractéristique est associée à une valeur réelle et à une composante temporelle. De nombreux prédicats (éléments atomiques destinés à l'apprentissage du modèle) sont définis comme des fonctions binaires fonctionnant sur les caractéristiques, généralement des séquences temporelles des caractéristiques ou leurs associations logiques. Les prédicats peuvent être limités à ces fonctions qui présentent une aptitude à la compréhension humaine ou qui codent des connaissances spécialisées associées à une tâche de prédication du modèle. Un modèle de stimulation apprend de manière itérative à l'aide d'une entrée d'un opérateur ou d'une intervention humaine. L'intervention humaine est pourvue d'outils pour inspecter le modèle à mesure qu'il est construit de manière itérative et pour éliminer un ou plusieurs prédicats dans le modèle, par exemple s'il ne présente pas d'indicateur de fiabilité, s'il n'est pas lié de manière causale à une prédiction du modèle, ou s'il n'est pas compréhensible. La répétition du processus itératif plusieurs fois permet en dernière instance de générer un modèle de stimulation final. Le modèle final est ensuite évalué pour déterminer, par exemple, sa précision, sa complexité, sa fiabilité et son aptitude à l'explication post-hoc.
front page image
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DJ, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JO, JP, KE, KG, KH, KN, KP, KR, KW, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG)
Langue de publication : anglais (EN)
Langue de dépôt : anglais (EN)