SAIF

Sûreté de l’intelligence Artificielle Investiguée par les méthodes Formelles

Aperçu

Utiliser la vaste connaissance accumulée au fil des décennies dans les méthodes formelles pour les repenser et aborder les nouvelles préoccupations en matière de fiabilité soulevées par le renouveau de l’IA.

Caterina Urban, Chargée de recherche Inria
Zakaria Chihani, Directeur adjoint LAB, CEA List

Le projet SAIF a pour objectif de spécifier les comportements des systèmes basés sur le machine learning, de développer des méthodologies pour valider leur fonctionnement à grande échelle, et de guider leur conception en utilisant des approches formelles, afin de garantir leur sécurité, leur fiabilité, et leur explicabilité.

Mots clefs : Apprentissage automatique, réseaux de neurones, apprentissage par renforcement, réseaux récurrents, réseaux de graphe, transformers, interprétabilité, robustesse, satisfaction de contraintes, stabilité, équité, explicabilité, fiabilité

Site internet du projet : SaifProject.inria.fr

Les missions

Nos recherches


Faire évoluer la spécification des systèmes basés sur le machine learning.

Développer des méthodes formelles pour spécifier le comportement des systèmes, incluant l’exploration de spécifications « par extension » (en définissant des propriétés de robustesse globales), et « par intention » (en identifiant les motifs récurrents).


Faire évoluer la validation des systèmes basés sur le machine learning.

Concevoir des méthodologies pour étendre la vérification formelle aux systèmes à grande échelle, en améliorant l’efficacité et la précision de la vérification tout en étudiant des architectures plus complexes (e.g. inférer des invariants d’architectures complexes telles que les réseaux neuronaux récurrents).


Faire évoluer la conception des systèmes basés sur le machine learning.

Utiliser des méthodes formelles pour synthétiser automatiquement des composants ML à partir de spécifications éprouvées, en élaborant des approches de monitoring pour maintenir leur fiabilité et faciliter leur validation a posteriori.

Le consortium

CEA, CNRS, Inria, Université de Bordeaux, Université Paris-Saclay, Institut Polytechnique de Paris, CentraleSupelec, Ecole Nationale Supérieure de Paris-Saclay, Institut National Polytechnique de Bordeaux

Implantation du consortium

Publications


Autres projets

 NNawaQ
NNawaQ
NNawaQ (Neural Network Adequate Hardware Architecture for Quantization)
Voir plus
 Package Python Keops
Package Python Keops
Package Python Keops pour les calculs tensoriels en (très) grande dimension (projet PDE-AI)
Voir plus
 MPTorch
MPTorch
MPTorch, framework d’encapsulation construit sur PyTorch
Voir plus
 CaBRNeT
CaBRNeT
CaBRNeT, une bibliothèque pour le développement et l'évaluation de modèles de raisonnement basé sur des cas simplifiés (projet SAIF)
Voir plus
 SNN Software
SNN Software
SNN Software, un outil open-source pour le design SNN (projet EMERGENCES)
Voir plus
 SDOT
SDOT
SDOT, logiciel pour le transport optimal semi-discret
Voir plus
 FloPoCo
FloPoCo
FloPoCo (Floating-Point Cores), générateur de noyaux arithmétiques majoritairement pour les FPGA (projet HOLIGRAIL)
Voir plus
 Lazylinop
Lazylinop
Lazylinop (Lazy Linear Operator), un opérateur linéaire paresseux de haut niveau basé en Python (projet SHARP)
Voir plus
 CAISAR
CAISAR
CAISAR, une plateforme de caractérisation de la sécurité et de l’intelligence artificielle robuste (projet SAIF)
Voir plus
 P16
P16
P16 ou développer, diffuser et maintenir un ensemble de bibliothèques souveraines pour l'IA
Voir plus
 AIDGE
AIDGE
AIDGE ou la plateforme ouverte de développement en embarqué du projet DEEPGREEN
Voir plus
 Jean-Zay
Jean-Zay
Jean Zay ou l'infrastructure nationale pour la communauté de recherche en IA
Voir plus
 ADAPTING
ADAPTING
Architectures adaptatives pour l'intelligence artificielle embarquée
Voir plus
 Appel à chaires Attractivité
Appel à chaires Attractivité
Le PEPR IA offre aux chercheurs en IA l’opportunité d’établir et de diriger un programme de recherche et une équipe en France pour une durée de 4 ans.
Voir plus
 CAUSALI-T-AI
CAUSALI-T-AI
La causalité au service de la robustesse et de l’explicabilité des algorithmes d’IA
Voir plus
 EMERGENCES
EMERGENCES
Modèles émergents proche physique pour l'IA embarquée
Voir plus
 FOUNDRY
FOUNDRY
Les fondements de la robustesse et de la fiabilité en intelligence artificielle
Voir plus
 HOLIGRAIL
HOLIGRAIL
Approches holistiques pour les architectures plus efficaces pour l'inférence et l'apprentissage
Voir plus
 PDE-AI
PDE-AI
Nouvelles architectures pour l’apprentissage automatique
Voir plus
 REDEEM
REDEEM
Apprentissage automatique résilient, décentralisé et respectueux de la vie privée
Voir plus
 SHARP
SHARP
Principes théoriques et algorithmiques de l’apprentissage frugal
Voir plus