« Interprétabilité » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| (10 versions intermédiaires par 4 utilisateurs non affichées) | |||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
D'un point de vue d'ingénierie, l'interprétabilité caractérise un algorithme dont les résultats peuvent être explicitement interprétés à la lumière des données d'entrée et des opérations à accomplir. Un algorithme est interprétable s'il est possible d'identifier, ou mieux de mesurer | D'un point de vue d'ingénierie, l'interprétabilité caractérise un [[algorithme]] dont les résultats peuvent être explicitement interprétés à la lumière des données d'entrée et des opérations à accomplir. Un algorithme est interprétable s'il est possible d'identifier, ou mieux, de mesurer les [[données]] ou les [[Attribut|attributs]] qui participent le plus aux résultats de l'algorithme, et même d'en quantifier l'importance. | ||
D'un point de vue d'IA responsable, l'interprétabilité se définit comme la capacité d'expliquer ou de fournir le sens en termes compréhensibles pour un être humain. | D'un point de vue d'[[IA responsable]], l'interprétabilité se définit comme la capacité d'expliquer ou de fournir le sens en termes compréhensibles pour un être humain. | ||
==Compléments== | ==Compléments== | ||
| Ligne 8 : | Ligne 8 : | ||
<hr/> | <hr/> | ||
Les notions d'interprétabilité et d'explicabilité sont particulièrement importantes dans les cas où les algorithmes prennent des décisions qui impliquent des êtres humains dans des domaines comme la médecine, le droit et la finance. | Les notions d'interprétabilité et d'explicabilité sont particulièrement importantes dans les cas où les algorithmes prennent des décisions qui impliquent des êtres humains dans des domaines comme la médecine, le droit et la finance. | ||
| Ligne 17 : | Ligne 16 : | ||
'''interpretability''' | '''interpretability''' | ||
From an engineering point of view, interpretability characterizes an algorithm whose results can be explicitly interpreted in the light of the input data and the operations to be performed. An algorithm is interpretable if it is possible to identify, or better still, measure the data or features that contribute most to the algorithm's results, and even quantify their importance. | |||
From a responsible AI point of view, interpretability is defined as the ability to explain or provide meaning in terms understandable to a human being. | |||
==Español== | |||
[[Catégorie:es]] | |||
''''' interpretabilidad ''''' | |||
''Desde el punto de vista de la ingeniería, la interpretabilidad caracteriza un algoritmo cuyos resultados pueden interpretarse explícitamente a la luz de los datos de entrada y de las operaciones que deben realizarse. Un algoritmo es interpretable si es posible identificar, o mejor aún, medir los datos o atributos que más contribuyen a los resultados del algoritmo, e incluso cuantificar su importancia.'' | |||
''Desde el punto de vista de la IA responsable, la interpretabilidad se define como la capacidad de explicar o dar sentido en términos que un ser humano pueda entender.'' | |||
[[Utilisateur: | ==Sources== | ||
[[Utilisateur:Claude COULOMBE | Source : Claude Coulombe, Datafranca.org]] | |||
[https://developers.google.com/machine-learning/glossary/ Source: ''Google machine learning glossary''] | [[Utilisateur:Patrickdrouin | Source : Termino]] | ||
[https://developers.google.com/machine-learning/glossary/ Source : ''Google machine learning glossary''] | |||
[https://perso.math.univ-toulouse.fr/mllaw/home/statisticien/explicabilite-des-decisions-algorithmiques/ Source : Université de Toulouse] | [https://perso.math.univ-toulouse.fr/mllaw/home/statisticien/explicabilite-des-decisions-algorithmiques/ Source : Université de Toulouse] | ||
| Ligne 29 : | Ligne 41 : | ||
[https://arxiv.org/pdf/1910.10045.pdf Source : arviX] | [https://arxiv.org/pdf/1910.10045.pdf Source : arviX] | ||
{{Modèle:101}} | |||
[[Category:GRAND LEXIQUE FRANÇAIS]] | [[Category:GRAND LEXIQUE FRANÇAIS]] | ||
[[Category:Apprentissage profond]] | [[Category:Apprentissage profond]] | ||
[[Category:Intelligence artificielle]] | [[Category:Intelligence artificielle]] | ||
[[Catégorie:101]] | [[Catégorie:101]] | ||
Dernière version du 19 avril 2026 à 17:43
Définition
D'un point de vue d'ingénierie, l'interprétabilité caractérise un algorithme dont les résultats peuvent être explicitement interprétés à la lumière des données d'entrée et des opérations à accomplir. Un algorithme est interprétable s'il est possible d'identifier, ou mieux, de mesurer les données ou les attributs qui participent le plus aux résultats de l'algorithme, et même d'en quantifier l'importance.
D'un point de vue d'IA responsable, l'interprétabilité se définit comme la capacité d'expliquer ou de fournir le sens en termes compréhensibles pour un être humain.
Compléments
L’interprétabilité va moins loin que l'explicabilité qui souvent cherche les causes.
Les notions d'interprétabilité et d'explicabilité sont particulièrement importantes dans les cas où les algorithmes prennent des décisions qui impliquent des êtres humains dans des domaines comme la médecine, le droit et la finance.
Français
interprétabilité
Anglais
interpretability
From an engineering point of view, interpretability characterizes an algorithm whose results can be explicitly interpreted in the light of the input data and the operations to be performed. An algorithm is interpretable if it is possible to identify, or better still, measure the data or features that contribute most to the algorithm's results, and even quantify their importance.
From a responsible AI point of view, interpretability is defined as the ability to explain or provide meaning in terms understandable to a human being.
Español
interpretabilidad
Desde el punto de vista de la ingeniería, la interpretabilidad caracteriza un algoritmo cuyos resultados pueden interpretarse explícitamente a la luz de los datos de entrada y de las operaciones que deben realizarse. Un algoritmo es interpretable si es posible identificar, o mejor aún, medir los datos o atributos que más contribuyen a los resultados del algoritmo, e incluso cuantificar su importancia.
Desde el punto de vista de la IA responsable, la interpretabilidad se define como la capacidad de explicar o dar sentido en términos que un ser humano pueda entender.
Sources
Source : Claude Coulombe, Datafranca.org
Source : Google machine learning glossary
Source : Université de Toulouse
101 MOTS DE L' IA
Ce terme est sélectionné pour le livre « Les 101 mots de l'intelligence artificielle »
Contributeurs: Arianne Arel, Claire Gorjux, Claude Coulombe, Jacques Barolet, Espanol: JSZ, Patrick Drouin, wiki, Robert Meloche
