<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>#DataScience | datacraft</title>
	<atom:link href="https://datacraft.paris/tag/datascience/feed/" rel="self" type="application/rss+xml" />
	<link>https://datacraft.paris</link>
	<description>Club dedicated to data scientists and their company</description>
	<lastBuildDate>Fri, 09 Oct 2026 12:54:48 +0000</lastBuildDate>
	<language>en-US</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.8.13</generator>

<image>
	<url>https://datacraft.paris/wp-content/uploads/2020/07/favicon.png</url>
	<title>#DataScience | datacraft</title>
	<link>https://datacraft.paris</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Calcul d&#8217;intervalles de prédiction et contrôle de risque avec MAPIE</title>
		<link>https://datacraft.paris/event/calcul-dintervalles-de-prediction-et-controle-de-risque-avec-mapie/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=calcul-dintervalles-de-prediction-et-controle-de-risque-avec-mapie</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Thu, 19 Nov 2026 16:00:00 +0000</pubDate>
				<category><![CDATA[#DataAnalysis]]></category>
		<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#Industrialization]]></category>
		<guid isPermaLink="false">https://datacraft.paris/event/calcul-dintervalles-de-prediction-et-controle-de-risque-avec-mapie/</guid>

					<description><![CDATA[par Geoffray Brelurut, Lead Tech &#38; Candice Moyet, Ingénieur de recherche]]></description>
										<content:encoded><![CDATA[<p>par Geoffray Brelurut, Lead Tech &amp; Candice Moyet, Ingénieur de recherche</p>
<h5 style="text-align: center;"><a href="https://luma.com/calcul-d-intervalles-de-prediction-et-controle-de"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
<p>Comment quantifier l’incertitude de vos prédictions et mieux maîtriser les risques associés à vos modèles ?</p>
<p>datacraft, en partenariat avec P16, une initiative portée par Inria, vous invite à <strong>une présentation en ligne de MAPIE</strong>, une bibliothèque Python open source dédiée à la <strong>quantification des incertitudes et au contrôle de risque en apprentissage automatique</strong>.</p>
<p>Grâce aux méthodes de prédiction conforme, MAPIE permet de construire des <strong>intervalles de prédiction en régression et pour les séries temporelles, ainsi que des ensembles de prédiction en classification</strong>, avec des garanties statistiques sous certaines hypothèses. Qu’il s’agisse d’encadrer une prévision de demande, d’identifier plusieurs catégories plausibles ou de contrôler un risque d’erreur selon un objectif métier, MAPIE aide à mieux exploiter les prédictions pour éclairer la prise de décision. Compatible avec l’écosystème scikit-learn et utilisable avec différents types de modèles, elle s’intègre dans vos workflows existants.</p>
<p>Ce webinaire présentera <strong>ses principales capacités et son utilisation dans votre pipeline d’apprentissage automatique et en production</strong>, pour passer de la prédiction seule à une prise en compte explicite de l’incertitude.</p>
<h5 style="text-align: center;"><a href="https://luma.com/calcul-d-intervalles-de-prediction-et-controle-de"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>REX &#8211; Du graphe au edge computing : concevoir une IA industrielle distribuée et réutilisable</title>
		<link>https://datacraft.paris/event/rex-du-graphe-au-edge-computing-concevoir-une-ia-industrielle-distribuee-et-reutilisable/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=rex-du-graphe-au-edge-computing-concevoir-une-ia-industrielle-distribuee-et-reutilisable</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Thu, 03 Dec 2026 17:00:00 +0000</pubDate>
				<category><![CDATA[#Agents]]></category>
		<category><![CDATA[#AnomalyDetection]]></category>
		<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#Industrialization]]></category>
		<category><![CDATA[#TimesSeries]]></category>
		<guid isPermaLink="false">https://datacraft.paris/event/rex-du-graphe-au-edge-computing-concevoir-une-ia-industrielle-distribuee-et-reutilisable/</guid>

					<description><![CDATA[par Guillaume Pelletier, CEO de DotVision]]></description>
										<content:encoded><![CDATA[<p><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">par Guillaume Pelletier, PDG de DotVision</span></span></p>
<p><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">TL;DR — Cet atelier présente une architecture d&#8217;IA distribuée en cours d&#8217;industrialisation, conçue pour orchestrer et déployer des modèles experts au plus près des machines</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> , illustrée par un premier cas d&#8217;application sur machine tournante.</span></span></p>
<h5 style="text-align: center;"><a href="https://luma.com/rex-du-graphe-au-edge-computing-concevoir-une-ia-i"><br />
<strong><span style="color: #008000;"><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">S&#8217;inscrire à l&#8217;événement</span></span></span></strong><br />
</a></h5>
<p><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Comment concevoir une IA industrielle capable de fonctionner au plus près des équipements, de s&#8217;adapter au contexte et de mobiliser uniquement les ressources nécessaires au bon moment ?</span></span></strong></p>
<p><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">DotVision développe des solutions d&#8217;IA et de traitement embarquées pour les environnements industriels. Ses infrastructures IoT sont déjà déployées dans plusieurs secteurs, notamment dans l&#8217;aéronautique, l&#8217;énergie et les infrastructures ferroviaires, et </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">plusieurs briques d&#8217;IA embarquée sont aujourd&#8217;hui utilisées en production</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> . Ces déployés ont mis en évidence deux contraintes récurrentes : </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">les données de défaut étiquetées sont rares, voire inexistantes, et les données brutes ne peuvent pas quitter le site</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> . Ces expériences constituent le socle d&#8217;une architecture plus large actuellement en cours d&#8217;industrialisation.</span></span></p>
<p><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Lors de cet atelier, DotVision présente cette architecture basée sur un </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">graphe exécutable commun</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> , pensée pour </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">modéliser, simuler, orchestrer puis déployer l&#8217;intelligence jusqu&#8217;au microcontrôleur</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> ( </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">edge computing</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> ). Ce graphe doit permettre de composer des modèles physiques, des traitements du signal, des règles métier et des experts IA, puis de répartir leur exécution entre microcontrôleurs, passerelles et serveurs selon les contraintes du système. </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Le même artefact traverse la chaîne, du simulateur à la cible embarquée.</span></span></strong></p>
<p><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">L&#8217;objectif : permettre à une machine de </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">comprendre son état de fonctionnement, de détecter des anomalies, d&#8217;identifier certains modes de défaillance et d&#8217;activer dynamiquement les traitements les plus pertinents</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> . Plutôt qu&#8217;un modèle monolithique exécuté en permanence, l&#8217;approche repose sur des </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">experts spécialisés, activés de manière conditionnelle et distribués au plus près des données</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> . </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">La référence s&#8217;apprend sur la machine saine, sans exemple de défaut</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> ; le système lève des alarmes, il ne se substitue pas à l&#8217;opérateur.</span></span></p>
<p><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">La présentation s&#8217;appuiera sur </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">un premier POC mobilisant la complète</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> , autour d&#8217;un cas de diagnostic d&#8217;équipements tournants sur machine simulée avec un contrat d&#8217;acquisition industrielle : identification du régime de fonctionnement, analyse des signaux, </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">activation d&#8217;un expert de diagnostic lorsqu&#8217;un régime inconnu apparaît</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> , et possibilité d&#8217;escalader certains calculs vers des ressources plus puissantes. Le passage sur signal réel est l&#8217;étape suivante.</span></span></p>
<p><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Au-delà de ce cas d&#8217;usage, l&#8217;atelier permettra d&#8217;explorer les </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">principes réutilisables pour d&#8217;autres projets d&#8217;IA</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> : comment </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">décomposer une intelligence en composants spécialisés, orchestrer leur exécution, utiliser la simulation pour valider un détecteur avant de le déployer</span></span></strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;"> , et faire évoluer les capacités d&#8217;un équipement sans reconstruire toute la chaîne logicielle.</span></span></p>
<h5 style="text-align: center;"><a href="https://luma.com/rex-du-graphe-au-edge-computing-concevoir-une-ia-i"><br />
<strong><span style="color: #008000;"><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">S&#8217;inscrire à l&#8217;événement</span></span></span></strong><br />
</a></h5>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Éclairages recherche – Apprendre avec des données biaisées : quels risques et quelles solutions en pratique ?</title>
		<link>https://datacraft.paris/event/eclairages-recherche-apprendre-avec-des-donnees-biaisees-quels-risques-et-quelles-solutions-en-pratique/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=eclairages-recherche-apprendre-avec-des-donnees-biaisees-quels-risques-et-quelles-solutions-en-pratique</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Mon, 12 Oct 2026 16:00:00 +0000</pubDate>
				<category><![CDATA[#Biases]]></category>
		<category><![CDATA[#DataQuality]]></category>
		<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#Fairness]]></category>
		<category><![CDATA[#ResponsibleAI]]></category>
		<guid isPermaLink="false">https://datacraft.paris/event/eclairages-recherche-apprendre-avec-des-donnees-biaisees-quels-risques-et-quelles-solutions-en-pratique/</guid>

					<description><![CDATA[par Stéphan Clémençon, professeur à Télécom Paris, spécialiste du machine learning et des statistiques.]]></description>
										<content:encoded><![CDATA[<h5 style="text-align: center;"><a href="https://luma.com/eclairages-recherche-apprendre-avec-des-donnees-bi"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
<p>par Stéphan Clémençon, professeur à Télécom Paris, spécialiste du machine learning et des statistiques.</p>
<p>Que se passe-t-il lorsque les données utilisées pour entraîner un modèle ne ressemblent pas vraiment aux données sur lesquelles il sera ensuite utilisé ?</p>
<p>C’est une situation fréquente en data science : échantillons non représentatifs, données censurées ou tronquées, données issues d’enquêtes, collecte qui évolue dans le temps, populations différemment représentées, ou encore données réparties entre plusieurs sources. Dans tous ces cas, un modèle peut afficher de bonnes performances pendant son développement tout en se comportant très différemment une fois déployé. Le problème est particulièrement visible dans des applications telles que la <strong>reconnaissance faciale</strong> ou les <strong>outils d’aide au diagnostic médical</strong>.</p>
<p>Lors de cette intervention, Stéphan Clémençon présentera, à partir de ses travaux de recherche et d’exemples concrets, les principaux types de biais qui peuvent affecter l’apprentissage statistique et les approches permettant d’y répondre.</p>
<p>Nous aborderons notamment les situations suivantes :<br />
&#8211; <strong>Entraîner un modèle sur un échantillon biaisé</strong> : comment adapter l’apprentissage lorsque la distribution des données d’entraînement diffère de celle rencontrée en production ?<br />
&#8211; <strong>Travailler avec des données censurées, tronquées ou issues d’échantillonnages complexes</strong> : quelles informations supplémentaires sont nécessaires pour corriger le biais lié au processus de collecte ?<br />
&#8211; <strong>Évaluer des performances très différentes selon les sous-populations</strong> : comment distinguer un problème de représentativité des données d’une difficulté intrinsèque du problème prédictif, et quels compromis entre équité et précision faut-il envisager ?<br />
&#8211; <strong>Gérer des biais qui apparaissent dans le temps</strong> : comment raisonner lorsque le mécanisme de sélection évolue de manière séquentielle ?<br />
&#8211; <strong>Apprendre à partir de données distribuées sur un réseau</strong> : quels problèmes spécifiques apparaissent lorsque les observations ne sont pas réparties uniformément entre différentes sources ?<br />
&#8211; <strong>S’intéresser aux événements rares et aux extrêmes</strong> : comment adapter l’apprentissage lorsque ce sont les queues de distribution et les risques rares qui comptent le plus ?</p>
<p>Un atelier pour mieux comprendre les limites des pipelines d’apprentissage classiques et identifier les méthodes adaptées lorsque les données disponibles ne constituent pas un échantillon idéal du monde réel.</p>
<h5 style="text-align: center;"><a href="https://luma.com/eclairages-recherche-apprendre-avec-des-donnees-bi"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Aligning Data Visualization with Human Cognition: A Novel Approach to Large Numbers.</title>
		<link>https://datacraft.paris/event/aligning-data-visualization-with-human-cognition-a-novel-approach-to-large-numbers/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=aligning-data-visualization-with-human-cognition-a-novel-approach-to-large-numbers</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Wed, 20 May 2026 15:00:00 +0000</pubDate>
				<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#DataViz]]></category>
		<guid isPermaLink="false">https://datacraft.paris/event/aligning-data-visualization-with-human-cognition-a-novel-approach-to-large-numbers/</guid>

					<description><![CDATA[presentation by Katerina Batziakoudi, PhD in Data Visualization with the AVIZ team at Inria]]></description>
										<content:encoded><![CDATA[<h5 style="text-align: center;"><a href="https://luma.com/aligning-data-visualization-with-human-cognition-a"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
<p>presentation by Katerina Batziakoudi, PhD in Data Visualization with the AVIZ team at Inria</p>
<p>Dr Batziakoudi&#8217;s research is about helping people <strong>make sense of very large numbers </strong>—like the thousands, millions, and billions found in public budgets— because common linear and logarithmic charts make these values hard to compare and understand.</p>
<p>Instead of treating this only as a visualization problem, she studies it as a human understanding problem: <strong>how people naturally think about large numbers</strong>, and <strong>how charts can better match that way of thinking</strong>.</p>
<p>In particular, this work builds on <strong>psychological findings</strong> that people do not perceive large values as purely linear or logarithmic; rather, we tend to mentally chunk them into groups such as thousands, millions, and billions, and reason linearly within each group, much as numbers are expressed in language.<br />
Based on this, she <strong>designed and tested novel visual representations</strong> that align with this piecewise linear way of thinking. Across a series of <strong>experiments and real-world evaluations</strong>, including work with journalists exploring national budget data, she shows that these designs can make comparisons easier, reduce mental effort, and improve confidence in interpretation.</p>
<p>More broadly, this presentation proposes a <strong>design approach for visualizing extreme numerical ranges</strong> that is grounded in <strong>how people actually reason about numbers</strong>.</p>
<h5 style="text-align: center;"><a href="https://luma.com/aligning-data-visualization-with-human-cognition-a"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>OR-Tools: modélisez et résolvez vos problèmes d’optimisation</title>
		<link>https://datacraft.paris/event/or-tools-modelisez-et-resolvez-vos-problemes-doptimisation/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=or-tools-modelisez-et-resolvez-vos-problemes-doptimisation</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Wed, 03 Jun 2026 15:00:00 +0000</pubDate>
				<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#Geospatial]]></category>
		<category><![CDATA[#Optimization]]></category>
		<guid isPermaLink="false">https://datacraft.paris/event/or-tools-modelisez-et-resolvez-vos-problemes-doptimisation/</guid>

					<description><![CDATA[par Laurent Perron,  responsable de l'équipe de recherche opérationnelle chez Google.]]></description>
										<content:encoded><![CDATA[<h5 style="text-align: center;"><a href="https://luma.com/or-tools-modelisez-et-resolvez-vos-problemes-dopti"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
<p>par Laurent Perron,  responsable de l&#8217;équipe de recherche opérationnelle chez Google.</p>
<p>Découvrez le potentiel de <strong>OR-Tools</strong>, la bibliothèque open source de Google spécialisée en recherche opérationnelle et dédiée à la résolution de problèmes d’optimisation. Cet atelier propose une <strong>présentation claire et accessible des principaux outils</strong> de la toolbox, pour comprendre leurs usages et identifier ceux qui peuvent répondre à vos besoins.</p>
<p><strong>Au programme</strong><br />
&#8211; <strong>Programmation linéaire et mixte (LP/MIP) </strong>: des outils pour modéliser et optimiser des décisions sous contraintes, comme la planification ou la gestion de ressources.<br />
&#8211; <strong>Solveur de contraintes (CP-SAT)</strong> : une approche puissante pour résoudre des problèmes combinatoires complexes, tels que les emplois du temps ou les affectations.<br />
&#8211; <strong>Optimisation de tournées (VRP) </strong>: des méthodes pour améliorer les itinéraires de véhicules et relever des défis logistiques concrets.<br />
&#8211; <strong>Graphes et flots </strong>: des algorithmes pour analyser et optimiser des réseaux (transport, flux, appariements, etc.).</p>
<p>L’objectif : vous donner les clés pour comprendre <strong>ce que OR-Tools peut faire pour vous</strong>, et vous orienter efficacement vers une utilisation future.</p>
<p>Un atelier idéal pour explorer l’optimisation… avant de passer à la pratique lors de notre <a href="https://datacraft.paris/event/atelier-recherche-operationnelle-optimisation-des-itineraires-dune-flotte-de-vehicules/">atelier du 9 juin sur l&#8217;optimisation des itinéraires d’une flotte de véhicules.</a></p>
<h5 style="text-align: center;"><a href="https://luma.com/or-tools-modelisez-et-resolvez-vos-problemes-dopti"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>REX &#8211; Breaking Privacy in LLM to Understand It : an approach  through Membership Inference</title>
		<link>https://datacraft.paris/event/rex-breaking-privacy-in-llm-to-understand-it-an-approach-through-membership-inference/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=rex-breaking-privacy-in-llm-to-understand-it-an-approach-through-membership-inference</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Thu, 16 Apr 2026 15:00:00 +0000</pubDate>
				<category><![CDATA[#AIEthics]]></category>
		<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#LLM]]></category>
		<category><![CDATA[#Privacy]]></category>
		<category><![CDATA[#ResponsibleAI]]></category>
		<guid isPermaLink="false">https://datacraft.paris/event/rex-breaking-privacy-in-llm-to-understand-it-an-approach-through-membership-inference/</guid>

					<description><![CDATA[par Dr. Eric Aubinais, chercheur au Laboratoire de mathématiques d'Orsay (Université Paris-Saclay)]]></description>
										<content:encoded><![CDATA[<h5 style="text-align: center;"><a href="https://luma.com/rex-breaking-privacy-in-llm-to-understand-it-an-ap"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
<p>par Dr. Eric Aubinais, chercheur au Laboratoire de mathématiques d&#8217;Orsay (Université Paris-Saclay)</p>
<p>Les modèles de machine learning étant de plus en plus utilisés dans des domaines sensibles, garantir la confidentialité des données devient un enjeu central. Cela nécessite non seulement des garanties théoriques, mais aussi des outils concrets pour évaluer et maîtriser les risques.</p>
<p>Si des cadres comme la <em>Differential Privacy</em> offrent certaines garanties, cet atelier propose une approche alternative : <strong>considérer les menaces elles-mêmes comme point de départ pour définir et analyser la confidentialité</strong>.<br />
Nous nous concentrerons en particulier sur les attaques de <em>membership inference</em>. Celles-ci consistent à déterminer si une donnée spécifique a été utilisée pour entraîner un modèle, révélant ainsi un risque direct de fuite d’information. Nous introduirons comment sont réalisées ce type d’attaques et pourquoi elles sont possibles avec les LLM actuels.</p>
<p>À travers cette perspective, Dr Aubinais montrera comment :<br />
• <strong>mesurer et contrôler précisément les risques de fuite de données,</strong><br />
• <strong>mettre en évidence des limites fondamentales (résultats d’impossibilité),</strong><br />
• et <strong>définir des métriques adaptées</strong>, notamment pour les modèles quantifiés.</p>
<p>Cette approche ouvre la voie à une <strong>méthodologie pratique</strong> permettant d’évaluer et d’optimiser le compromis entre confidentialité et performance.<br />
Appliquée à des tâches comme la prédiction moléculaire, sur des modèles allant jusqu’à 8B+ paramètres, cette méthodologie montre des résultats prometteurs :<br />
• jusqu’à <strong>90 % de réduction du temps d’évaluation</strong>,<br />
• et de nouvelles perspectives pour l’optimisation des modèles.</p>
<h5 style="text-align: center;"><a href="https://luma.com/rex-breaking-privacy-in-llm-to-understand-it-an-ap"><br />
<strong><span style="color: #008000;">S&#8217;inscrire à l&#8217;événement</span></strong><br />
</a></h5>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Humain x Claude &#8211; REX sur le vibe-coding d’un outil pour polars</title>
		<link>https://datacraft.paris/event/workshop-collecter-et-exploiter-les-posts-bluesky/?utm_source=rss&#038;utm_medium=rss&#038;utm_campaign=workshop-collecter-et-exploiter-les-posts-bluesky</link>
		
		<dc:creator><![CDATA[datacraft]]></dc:creator>
		<pubDate>Thu, 28 May 2026 16:00:00 +0000</pubDate>
				<category><![CDATA[#DataProduct]]></category>
		<category><![CDATA[#DataScience]]></category>
		<category><![CDATA[#DataViz]]></category>
		<category><![CDATA[#MethodChaining]]></category>
		<guid isPermaLink="false">https://datacraft.paris/?post_type=tribe_events&#038;p=18075</guid>

					<description><![CDATA[Francis Wolinski, expert IA et data science freelance]]></description>
										<content:encoded><![CDATA[<p class=""><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Par </span></span><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Francis Wolinski, ingénieur IA Freelance, Yotta Conseil</span></span></strong></p>
<p>Cet atelier effectue un retour d&#8217;expérience de vibe-coding d&#8217;un outil pour mesurer la complexité d&#8217;écriture des requêtes écrites avec la<br />
librairie polars. La présentation détaille les différentes étapes qui ont permis de développer cet outil en quelques heures, en intégrant au<br />
fur et à mesure différentes spécifications. Elle montrera les facultés actuelles du vibe-coding qui répond au besoin et produit même des éléments<br />
supplémentaires. Elle montrera aussi certaines limites du code généré par une IA.</p>
<p>En fin d&#8217;exposé, les participants pourront utiliser l&#8217;outil accessible sur github et le tester sur leur propre développement s&#8217;il est basé sur polars.</p>
<h5 style="text-align: center;"><a href="https://luma.com/ptc57jdh"><span style="color: #008000;"><strong><span dir="auto" style="vertical-align: inherit;"><span dir="auto" style="vertical-align: inherit;">Inscription</span></span></strong></span></a></h5>
]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
