Limites des sources de données

Gestion responsable des données en AI

Maria Prokofieva

Lead ML Engineer

Sources de données et limites courantes

Conformité légale
Biais
Méthodologie
Rôle de l'expertise domaine

Limites juridiques et d'accès

Usage restreint pour certains types de projets
Exigences de conformité additionnelles
Coût prohibitif

Conformité des données

¹ Image par Streamline HQ

Biais dans les sources de données

Erreurs systématiques
Perceptions faussées
Résultats inégaux
Désavantagent certains groupes

Types de biais

Biais historique :
- Motifs et résultats non pertinents
Biais de sélection :
- Choix des points de données inclus
Biais d'échantillonnage
- Méthode d'échantillonnage utilisée

Échelle de biais

¹ Image par Streamline HQ

Biais et limites liées à l'origine

Couverture de données restreinte
Contraintes culturelles et géographiques
Portée et inclusion limitées

Groupe de personnes

Biais et limites méthodologiques

Choix des méthodes de collecte
Approches d'échantillonnage

Mains multicolores, paumes ouvertes et levées

Connaissance du domaine

Limites ou biais cachés
Mobiliser tôt les experts du domaine
Atténuer les limites avant la modélisation

Projet sur l'écoulement du trafic urbain

Sources de données :

Données de comptage routier
Comptes rendus du conseil municipal
Données de suivi GPS

Projet d'écoulement du trafic urbain

¹ Images par Streamline HQ

Projet sur l'écoulement du trafic urbain

Données historiques de comptage routier :

Biais historique
Anciens aménagements urbains

Données de procès-verbaux :

Biais de sélection
Représentation disproportionnée de certains membres de la communauté

données de trafic

¹ Images par Streamline HQ

Projet sur l'écoulement du trafic urbain

Données de suivi GPS :

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

gps

¹ Image par Streamline HQ

Passons à la pratique !

Gestion responsable des données en AI

Preparing Video For Download...