Réponse rapide
Réduire un biais de données demande d’agir sur sa cause — collecte, annotations, séparation des jeux, pondération ou seuils — puis de mesurer le compromis sur tous les contextes importants.
Point de vigilance
Une correction peut déplacer l’erreur vers un autre contexte ou augmenter la latence. Vérifiez le compromis avant de la déployer.
Diagnostiquer avant de modifier
La provenance des exemples et les erreurs ventilées indiquent s’il faut enrichir une scène, corriger une annotation, revoir une règle ou ajuster le modèle. Versionnez chaque changement.
Enrichir avec des situations réelles
Pour une classe sous-représentée, recueillez des variations de lumière, de distance et de posture, puis vérifiez sur un jeu indépendant le rappel et les faux positifs.
Évaluer le déplacement d’erreur
Une amélioration locale peut dégrader un autre contexte ou augmenter le calcul. Comparez les résultats et explicitez le compromis aux responsables de la mission.
Sources et références
- [1] OECD AI Principles — OECD
- [2] Artificial Intelligence Risk Management Framework (AI RMF 1.0) — NIST