Réponse rapide
Un biais de données suit la sélection ou l’annotation des exemples, tandis qu’un biais de capteur suit la mesure elle-même ; des essais croisés permettent de séparer ces deux effets.
Point de vigilance
Ajouter des données ne corrige pas un capteur mal calibré. Isolez les causes avec des essais contrôlés avant de modifier le modèle.
Comparer corpus et instrument
Un jeu peut oublier une scène alors que l’instrument la mesure correctement, ou le capteur peut produire la même erreur sur des données différentes. Les symptômes ne se confondent pas.
Croiser matériel et scènes
Faites passer un même protocole sur plusieurs caméras, réglages et environnements. Si l’écart suit le matériel, la piste instrumentale se renforce ; s’il suit le corpus, examinez sa composition.
Isoler les variables
Changez un facteur à la fois, gardez une référence commune et documentez calibration, annotations et conditions. Une comparaison simultanément modifiée ne permet pas d’attribuer la cause.
Sources et références
- [1] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST
- [2] Common pitfalls and recommended practices — scikit-learn — scikit-learn