Ce projet propose une implémentation Python d'algorithmes pour générer des explications abductives et contrastives des règles de scoring dans les systèmes de vote. Il s'appuie sur des travaux de recherche présentés à la conférence ECAI-24 et permet d'analyser les décisions électorales à travers des modèles mathématiques avancés. Les outils développés facilitent la compréhension des mécanismes de vote et la validation de nouvelles approches algorithmiques.

PyXAI est une bibliothèque Python dédiée à l'IA explicable (XAI) pour les modèles d'apprentissage automatique basés sur des arbres (classification ou régression). Elle permet de générer des explications formelles, correctes et locales pour comprendre les décisions des modèles, tout en offrant des fonctionnalités de rectification pour corriger les incohérences entre les prédictions et les connaissances métier. L'outil s'adresse aux experts en data science et aux secteurs nécessitant une transparence accrue des algorithmes.