Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Méthodes d'interprétabilité locale
Techniques expliquant les prédictions individuelles comme LIME, SHAP et LRP pour comprendre les décisions au cas par cas.
Interprétabilité globale des modèles
Approches analysant le comportement global du modèle pour comprendre les patterns généraux de prise de décision.
Feature importance et sélection
Méthodes quantifiant l'importance relative des variables dans les prédictions du modèle.
Visualisation de modèles ML
Techniques graphiques et visuelles pour représenter et comprendre l'architecture et le fonctionnement des modèles.
Méthodes agnostiques au modèle
Techniques d'interprétation fonctionnant avec n'importe quel type de modèle sans connaissance de son architecture interne.
Interprétabilité des réseaux de neurones profonds
Méthodes spécifiques pour comprendre et visualiser les décisions des modèles de deep learning complexes.
Explications contrefactuelles
Génération d'exemples alternatifs montrant quelles modifications minimales changeraient la prédiction du modèle.
Détection de biais algorithmiques
Techniques identifiant et quantifiant les discriminations systématiques dans les prédictions des modèles ML.
Évaluation quantitative de l'interprétabilité
Métriques et protocoles pour mesurer objectivement la qualité et la fidélité des explications générées.
Interprétabilité des modèles ensemblistes
Techniques spécifiques pour analyser et expliquer le fonctionnement des random forests, gradient boosting et autres ensembles.
Explications causales en ML
Méthodes établissant des relations de cause à effet plutôt que de simples corrélations dans les décisions des modèles.
Interprétabilité pour modèles temporels
Techniques adaptées pour expliquer les prédictions sur les séries temporelles et les données séquentielles.
Métriques de confiance et incertitude
Outils quantifiant le niveau de confiance du modèle dans ses prédictions et l'incertitude associée.
Explications interactives et conversationnelles
Systèmes permettant aux utilisateurs d'interagir avec le modèle pour obtenir des explications personnalisées et adaptatives.