Read Aloud the Text Content

This audio was created by Woord's Text to Speech service by content creators from all around the world.

Text Content or SSML code:

Nous présentons notre démarche sur un processus en trois étapes afin de catégoriser les biais. Chaque étape est dédiée à un objectif spécifique: Étape Une, Collecte des données. cette étape consiste à recueillir des données du monde réel par un échantillon de la population décrite dans les données. Nous identifions trois types de biais à cette étape. le biais istorique qui concerne les problèmes socio-techniques déjà présents dans les données collectées, le biais d'échantillonnage qui est dû à la manière dont l’échantillonnage est réalisée, et le biais de représentation qui provient des critères utilisés pour échantillonner la population, provoquant une sous-représentation des différents sous-groupes. étape 2, Préparation des données: cette étape consiste à mesurer et à sélectionner les caractéristiques pour construire un ensemble de données d’apprentissage. Deux types de biais sont identifiés à cette étape : le biais de mesure qui provient de la façon dont les caractéristiques sont choisies, et le biais de variable omise qui se produit lorsqu’une ou plusieurs caractéristiques importantes sont omises pendant la phase d’apprentissage du modèle. étape 3, Utilisation du modèle: cette étape regroupe les actions liées à l’entraînement, à l’évaluation et au déploiement du modèle. Nous identifions trois types de biais : le biais d’agrégation qui apparaît lorsque le modèle est utilisé sur des sous-groupes avec des distributions conditionnelles différentes, le biais d’évaluation qui se produit lorsque les données d’évaluation utilisées pour évaluer le modèle ne représente pas la population cible initiale, et le biais de déploiement qui surgit s’il y a un décalage entre le problème pour lequel le modèle est conçu et la façon dont il est réellement utilisé. Voici donc, les différents types de biais que nous identifions sur le processus d'apprentissage, nous qualifions par la suite ces biais dans notre travail.