AI 용어집
인공지능 완전 사전
Complétude (Completeness)
Indicateur mesurant la proportion des facteurs véritablement influents du modèle qui sont effectivement capturés et présentés dans l'explication générée.
Spécificité (Specificity)
Métrique évaluant la capacité d'une explication à identifier précisément les caractéristiques uniques de l'instance considérée sans généraliser excessivement à des cas non pertinents.
Sensibilité (Sensitivity)
Critère quantitatif mesurant comment les explications varient systématiquement en réponse à des modifications contrôlées des données d'entrée, reflétant la réactivité aux changements.
Cohérence (Coherence)
Critère mesurant l'alignement logique entre les explications générées et les connaissances du domaine ou les principes causaux établis, assurant la plausibilité des interprétations.
Granularité (Granularity)
Métrique quantifiant le niveau de détail des explications, du niveau abstrait (features globales) au niveau fin (valeurs individuelles), adapté aux besoins de l'utilisateur.
Parcimonie (Parsimony)
Principe d'évaluation favorisant les explications utilisant le nombre minimal de concepts ou de variables nécessaires pour capturer l'essentiel du comportement du modèle.
Pertinence (Relevance)
Métrique quantifiant l'importance relative des caractéristiques expliquées par rapport à leur impact réel sur la prédiction du modèle, souvent normalisée entre 0 et 1.
Actionnabilité (Actionability)
Critère évaluant dans quelle mesure les explications fournissent des informations exploitables permettant aux utilisateurs d'agir concrètement pour modifier les prédictions.
Faisabilité (Feasibility)
Critère évaluant le réalisme pratique des explications proposées, notamment dans les scénarios contrefactuels, en vérifiant que les modifications suggérées sont réalisables.
Discriminabilité (Discriminability)
Métrique mesurant la capacité des explications à différencier efficacement entre les prédictions positives et négatives, assurant une séparation claire des cas.
Complexité Informatique (Computational Complexity)
Critère quantitatif évaluant les ressources computationnelles requises pour générer les explications, essentiel pour l'applicabilité à grande échelle des méthodes XAI.
Couverture de Variance (Variance Coverage)
Métrique mesurant la proportion de la variance totale des prédictions du modèle qui est expliquée par les caractéristiques identifiées dans l'explication locale.
Monotonicité (Monotonicity)
Critère évaluant si les explications respectent les relations monotones attendues entre les features et les prédictions, garantissant la cohérence directionnelle des interprétations.