Modèle explicable

Méthodes visant à rendre les résultats des systèmes d’intelligence artificielle compréhensibles et traçables pour les utilisateurs finaux, en facilitant l’identification des facteurs influents.

Auditabilité des modèles

Capacité à examiner et vérifier de façon indépendante les processus internes d’un modèle ou d’un système, garantissant la traçabilité et la conformité.

Analyse quantitative

Utilisation de méthodes mathématiques et statistiques pour décrire, simuler ou comparer des phénomènes observés dans les marchés financiers.

Conformité réglementaire

Respect des exigences légales, réglementaires et normatives applicables aux systèmes automatisés et à la gestion des données.

Visualisation algorithmique

Présentation graphique ou interactive de données et d’indicateurs pour faciliter la compréhension des mécanismes internes d’un modèle IA.

Biais algorithmique

Effet produit lorsqu’un modèle IA génère des résultats influencés par des données d’apprentissage incomplètes ou déséquilibrées, pouvant conduire à des décisions inéquitables.

Données d’entraînement

Ensemble d’informations utilisé pour former un modèle IA, dont la qualité et la représentativité conditionnent la robustesse des résultats produits.

Documentation méthodologique

Processus de consignation détaillée des choix, paramètres et hypothèses retenus lors de la conception ou l’adaptation d’un modèle automatisé.

Surveillance continue

Mise en place d’outils ou de procédures visant à détecter en temps réel les dérives, anomalies ou défauts de performance d’un système d’IA.

Explicabilité locale

Approche visant à expliquer individuellement chaque prédiction ou recommandation d’un modèle, plutôt que son fonctionnement global.