« Interprétabilité » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
Ligne 2 : | Ligne 2 : | ||
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, voire même d'en quantifier l'importance. | 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, voire même d'en quantifier l'importance. | ||
D'un point de vue d'IA responsable, l'interprétabilité se définie comme la capacité d'expliquer ou de fournir le sens en termes compréhensibles pour un être | D'un point de vue d'IA responsable, l'interprétabilité se définie comme la capacité d'expliquer ou de fournir le sens en termes compréhensibles pour un être humain. | ||
==Compléments== | ==Compléments== |
Version du 14 février 2023 à 16:57
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, voire même d'en quantifier l'importance.
D'un point de vue d'IA responsable, l'interprétabilité se définie 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 questions d'interprétabilité et d'explicabilité sont particulièrement importantes dans les cas où les algorithmes prennent des décisions qui impliquent des humains dans des domaines comme la médecine, le droit et la finance.
Français
interprétabilité
Anglais
interpretability
Source: Claude Coulombe, Datafranca.org
Source: Google machine learning glossary
Source : Université de Toulouse
Contributeurs: Claire Gorjux, Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki, Robert Meloche