Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
XAI (Explainable AI)
Ensemble de techniques et méthodes visant à rendre les décisions des systèmes d'intelligence artificielle compréhensibles par les humains, essentiel pour la confiance et l'acceptabilité.
Interprétabilité
Capacité d'un modèle à présenter ses décisions de manière compréhensible pour les humains, distinguée de la transparence qui concerne la compréhension du mécanisme interne.
Explications post-hoc
Méthodes d'explication appliquées après l'entraînement du modèle sans modifier son architecture, permettant d'expliquer les prédictions de modèles boîtes noires.
SHAP (SHapley Additive exPlanations)
Approche théorique basée sur la théorie des jeux pour attribuer l'importance de chaque feature dans la prédiction d'un modèle de manière additive et cohérente.
LIME (Local Interpretable Model-agnostic Explanations)
Technique d'explication locale qui approxime le comportement d'un modèle complexe par un modèle simple et interprétable dans le voisinage d'une prédiction spécifique.
Facteurs d'influence
Éléments spécifiques (items, attributs, comportements passés) qui ont directement contribué à la génération d'une recommandation particulière dans un système.
Contre-explications
Explications qui justifient pourquoi certains items n'ont pas été recommandés, aidant les utilisateurs à comprendre les limites et les critères d'exclusion du système.
Justifications causales
Explications basées sur des relations de cause à effet entre les actions de l'utilisateur et les recommandations générées, plutôt que sur de simples corrélations.
Approches basées sur la connaissance
Méthodes de recommandation utilisant des ontologies ou graphes de connaissances pour générer des explications sémantiquement riches et contextuellement pertinentes.
Visualisations d'explications
Représentations graphiques interactives qui transforment les justifications algorithmiques en éléments visuels intuitifs pour faciliter la compréhension utilisateur.
Personnalisation des explications
Adaptation du contenu, du style et du niveau de détail des explications selon le profil, les préférences et l'expertise de chaque utilisateur.
Évaluations qualitatives d'explications
Méthodes d'évaluation basées sur des études utilisateurs, des entretiens et des analyses de contenu pour mesurer la pertinence et l'utilité perçue des explications.
Feedback explicatif
Mécanisme permettant aux utilisateurs de réagir aux explications fournies, affinant ainsi les futures recommandations et la qualité des justifications.
Complexité explicative
Mesure de la difficulté cognitive requise pour comprendre une explication, évaluant le compromis entre précision technique et accessibilité utilisateur.
Transparence algorithmique
Principe consistant à révéler les mécanismes, données et logiques sous-jacents d'un système de recommandation pour garantir sa traçabilité et son auditabilité.
Confiance algorithmique
Niveau de crédibilité et de fiabilité perçu par les utilisateurs envers un système, influencé directement par la qualité et la pertinence des explications fournies.
Explications intrinsèques
Modèles conçus dès leur conception pour être interprétables, intégrant nativement des capacités d'explication contrairement aux approches post-hoc.
Règles d'association explicatives
Ensembles de règles logiques (SI-ALORS) qui justifient les recommandations en montrant les relations découvertes entre les comportements et les items.
Biais explicatif
Distorsions systématiques dans les explications générées qui peuvent sur-représenter certains facteurs ou minimiser d'autres, affectant la perception équitable du système.