Limites des sources de données

Gestion responsable des données pour l’IA

Maria Prokofieva

Lead ML Engineer

Sources de données et limites courantes

Conformité légale
Biais
Méthodologie
Rôle de l’expertise métier

Limites juridiques et d’accès

Usage des données restreint pour certains projets
Conformités supplémentaires
Coût prohibitif

Conformité des données

¹ Image par Streamline HQ

Biais dans les sources de données

Erreurs systématiques
Perceptions biaisées
Résultats inégaux
Désavantagent certains groupes

Types de biais

Biais historique :
- Schémas et résultats non pertinents
Biais de sélection :
- Choix des points de données inclus
Biais d’échantillonnage
- Méthode d’échantillonnage

Échelle de biais

¹ Image par Streamline HQ

Biais et limites liées à l’origine

Couverture de données limitée
Contraintes culturelles et géographiques
Portée et inclusion restreintes

Groupe de personnes

Biais et limites méthodologiques

Choix des méthodes de collecte
Approches d’échantillonnage

Mains multicolores paumes ouvertes levées

Connaissance du domaine

Limites ou biais cachés
Impliquer tôt les experts métier
Atténuer les limites avant le modélisme

Projet de flux de trafic urbain

Sources de données :

Comptages de trafic
Comptes rendus du conseil municipal
Données de suivi GPS

Projet de flux de trafic urbain

¹ Images par Streamline HQ

Projet de flux de trafic urbain

Données historiques de comptage :

Biais historique
Anciens plans urbains

Procès-verbaux :

Biais de sélection
Représentation disproportionnée de certains groupes

données de trafic

¹ Images par Streamline HQ

Projet de flux de trafic urbain

Données de suivi GPS :

Biais d’échantillonnage et de sélection
Ne représentent pas tous les navetteurs

gps

¹ Image par Streamline HQ

Passons à la pratique !

Gestion responsable des données pour l’IA

Preparing Video For Download...