Cours

Problème : Le manque de radiologues dans les zones rurales ralentit les diagnostics.

Objectifs d’apprentissage :

• Utiliser le transfert de modèles préentraînés (ResNet, VGG).

• Interpréter les sorties avec Grad-CAM.

  Critères d’évaluation :

• AUC > 0.9.

• Bonne justification des décisions du modèle.

  Prérequis : CNN, transfert learning, évaluation de modèles médicaux.

Problème : Le diagnostic manuel de la malaria prend du temps et nécessite des experts.

Objectifs d’apprentissage :

• Entraîner un modèle CNN pour classer les images sanguines.

• Évaluer la performance sur données médicales.

  Critères d’évaluation :

• F1-score ≥ 0.85.

• Respect des principes d’éthique et de confidentialité.

  Prérequis : Bases de Deep Learning, classification d’images, notions en santé publique.

Problème : Les hôpitaux manquent d’outils de dépistage précoce.

Objectifs d’apprentissage :

• Appliquer le machine learning à des données tabulaires.

• Mettre en œuvre la sélection de variables.

  Critères d’évaluation :

• Score de précision/recall équilibré.

• Explication du modèle (SHAP ou LIME).

  Prérequis : Scikit-learn, Pandas, interprétabilité de modèles.

Problème : Les élèves francophones et haoussa ont peu de ressources interactives adaptées.

Objectifs d’apprentissage :

• Construire un chatbot éducatif en plusieurs langues.

• Gérer les entrées textuelles et les intentions d’apprentissage.

  Critères d’évaluation :

• Bonne compréhension des requêtes (>80% intents corrects).

• Interaction fluide en au moins 2 langues.

  Prérequis : NLP, Hugging Face Transformers, bases en logique conversationnelle.

Problème : Les langues locales sont souvent absentes des outils de traduction.

Objectifs d’apprentissage :

• Utiliser un modèle de traduction multilingue (mBART, MarianMT).

• Évaluer la qualité de traduction.

  Critères d’évaluation :

• Score BLEU ≥ 25.

• Cohérence culturelle des traductions.

  Prérequis : NLP, tokenisation, fine-tuning de modèles préentraînés.

Problème : La recherche de précédents juridiques par mots-clés simples est souvent inefficace car elle manque les synonymes ou les concepts juridiques implicites. Les juristes ont besoin de trouver des décisions factuellement similaires, pas juste celles contenant les mêmes mots.

Objectifs d’apprentissage :

• Nettoyer et structurer un corpus de décisions de justice (ex: Open Data justice).

• Entraîner ou affiner (fine-tune) un modèle de langage (ex: CamemBERT ou LawBERT) pour créer des embeddings juridiques.

• Implémenter une base de données vectorielle pour la recherche de similarité.

Critères d’évaluation :

• Pertinence des résultats (Recall@K) comparée à une recherche par mots-clés.

• Rapidité de la requête (< 1 seconde).

• Interface permettant de filtrer par juridiction ou date.

Prérequis :

• Embeddings, Vector Databases (FAISS, ChromaDB), Web Scraping, Streamlit pour l'interface.

Problème : La Constitution du Niger est rédigée principalement en français, langue officielle. Cependant, une grande partie de la population s'exprime en Haoussa (et autres langues nationales) et ne maîtrise pas le jargon juridique français. Cela crée une "fracture juridique" où les citoyens ne peuvent pas accéder directement à leurs droits fondamentaux.

Objectifs d’apprentissage :

• Création de corpus : Constituer et aligner un dataset parallèle (Français <-> Haoussa) de textes juridiques ou constitutionnels.

• Fine-tuning de LLM : Adapter un modèle de langage multilingue (ex: NLLB, BLOOM ou mBART) pour qu'il comprenne la terminologie juridique spécifique au contexte nigérien.

• Architecture RAG (Retrieval-Augmented Generation) : Construire un chatbot capable de répondre à une question en Haoussa ("Quels sont mes droits si je suis arrêté ?") en cherchant la réponse dans le texte français de la constitution, puis en générant la réponse en Haoussa.

Critères d’évaluation :

• Précision sémantique : Le modèle ne doit pas halluciner de lois inexistantes (Vérification factuelle stricte).

• Qualité de la traduction : Score BLEU acceptable, mais surtout une validation humaine par un juriste bilingue pour s'assurer que le sens juridique est préservé.

• Accessibilité : L'interface doit être simple et, idéalement, supporter des entrées/sorties vocales (Speech-to-Text) pour les populations peu alphabétisées.

Prérequis :

• Python, Hugging Face (Transformers), LangChain ou LlamaIndex (pour le RAG).

• Connaissance des défis des "Low-Resource Languages" (langues peu dotées).

• Notions de bases de données vectorielles (Pinecone, ChromaDB).