L’utilisation toujours croissante de l’apprentissage automatique pour extraire des modèles qui peuvent être utilisés dans le monde réel met en question les techniques d’apprentissage profond. Pour ces algorithmes, les explications peuvent être connu depuis cet apprentissage et jamais pendant l’apprentissage même, ce met en question leur infaillité: par exemple, la validation clinique d’un modèle nécessite qu’un clinicien vérifie que le modèle appris ne contredit pas la littérature médicale. Donc, je présente KnoBAB, une base de connaissances temporelle qui utilise des approches d'apprentissage et de vérification formelle plus similaires à l'apprentissage relationnel. Ceci permet de générer des traces temporelles conformes à un modèle, d'effectuer une vérification formelle des traces temporelles, et d'obtenir des modèles de conformité temporelle à partir de la séquence d'événements temporels. Cela garantit la définition d’algorithmes de apprentissage automatique avec garanties. Nous contextualisons cette recherche dans le domaine médical. En marge, je montre mes travaux sur l'intégration de données dans le domaine médical, ainsi que ceux sur les algorithmes pour les graphes de propriétés. Lien pour le séminaire : https://teams.microsoft.com/l/meetup-join/19%3ameeting_MjBkZjc0OTgtZDYxMC00ZDMyLWI5MGQtMzhkMDRjN2JkMTYx%40thread.v2/0?context=%7b%22Tid%22%3a%22967236d1-9003-4f1a-9556-8afe047945f1%22%2c%22Oid%22%3a%222dec3a6b-b16b-4d61-8656-9a3c31f51e03%22%7d