[2/2] L’utilisation de l’IA en santé exige une étude minutieuse des biais et de leurs potentiels impacts. Les fournisseurs imaginent des méthodes pour les corriger. Cela démarre généralement par le recueil de données suffisamment diverses et représentatives dans les modèles d’entraînement.
Pour apporter plus de transparence aux modèles d’IA en santé et diminuer les risques d’erreur, leurs concepteurs traquent, analysent et corrigent tout biais ou anomalie systémique susceptible d’altérer le résultat produit par l’algorithme. Ces efforts perdurent pendant tout le cycle de vie des modèles. Quelles sont les techniques à l’œuvre ?
Chaque fournisseur de modèle y va de sa méthode pour réduire au maximum les biais inhérents aux modèles et ajuster les prédictions dans le monde réel....
Vous lisez cet article grâce à votre abonnement à mind Health.
Explorez de nouveaux horizons en consultant nos autres verticales :
Vous avez une information à nous partager ?
Article à retrouver dans La lettre mind Health n°305
Chaque mois, retrouvez l'essentiel de nos articles
Mercredi 20 novembre 2024