Epsilon vous propose une formation concrète illustrant comment intégrer la Protection des données dans une démarche de Machine Learning.

La réglementation en matière de Protection des Données insiste sur le devoir de transparence de l’usage des données, d'être en mesure de fournir des explications suffisantes à un usager et de contrôler les décisions prises par un algorithme. Cette obligation fait écho à un objectif de clarté d'usage de l’Intelligence Artificielle et permet de pouvoir lutter contre les biais qui pourraient être introduits dans les décisions. À contrario, la Data Science peut également être un outil à mettre en œuvre pour faciliter l’audit de données et automatiser la mise en conformité.

Nous sommes fiers d'être centre de formation Datadock, pour diffuser en continu le meilleur de la Data et de la Technologie auprès des professionnels de la Data Science, de la Dataviz et de l'Activation Marketing Adtech et Martech. Enregistré sous le numéro 11754361075. Cet enregistrement ne vaut pas agrément de l'Etat.

Contenu de la formation

Module 1 : Données personnelles et stastistiques

• Donnée à caractère personnel, décision individuelle automatisée, PIA, gestion des droits
• Finalité, proportionnalité, minimisation et usage de la donnée, techniques d’anonymisation et pseudonymisation
• Sécurisation de la démarche

Module 2 : Machine Learning et Data Science au service de la conformité réglementaire

• Analyse exploratoire et profiling sur les données utilisées dans les modèles
• Techniques de Machine Learning permettant de mesurer l’importance des variables dans un modèle
• Technique de Machine Learning et NLP pour identifier des données personnelles

Module 3 : La nécessité de transparence : « Explainable AI »

• Environnement réglementaire
• Les biais des algorithmes : exemples, démonstrations sous Python
• « Explainable AI » : panorama et démonstration méthode LIME pour l’explication des décisions individuelles

Objectifs de la formation 

• Sensibiliser aux règles d’usage des données dans les techniques de profilage
• Appréhender des techniques Data Science pour pouvoir satisfaire la notion de transparence, lutter contre le phénomène de boite noire et faciliter les travaux d’audit et de mise en conformité

Méthodes pédagogiques

• Alternance des modalités pédagogiques : exposé, démonstration pratique, échanges collectifs, exercices pratiques et remise du support de formation.
• Questionnaire d’évaluation administré à l’issue de la formation.

Pour plus de détails, consultez notre déroulé de formation détaillé : télécharger le déroulé de formation