IBI-001003_significativepublie
Biais de prédiction de consommation
Consumption Prediction Bias
Score IBI
6.3
sur 10
Sévérité3_significative
Fréquencefrequent
Ampleur groupes3
Difficulté détection4
🇫🇷 Définition (FR)
Modèles de prédiction de consommation énergétique sous-estimant les besoins des ménages précaires.
🇬🇧 Definition (EN)
Energy consumption prediction models underestimating needs of precarious households.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L3
Mesure
S
Spécifique
S17
Erreur de mesure
💡
Exemple concret
Un modèle sous-estime les besoins des grands ménages dans les logements mal isolés.
📊 Métriques de détection
Demographic Parity DifferenceDisparate Impact RatioEqualized Odds Difference
⚙ Seuils d'alerte
Disparate Impact Ratio0.8
Equalized Odds Difference0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Energy poverty prediction and effective targeting for just transitions with machine learningSpandagos, C., Tovar Reaños, M. A., Lynch, M. Á. (2023)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Classes populaires
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Énergie et environnement (Risque: /5)
⚖ Réglementations applicables
🌍 International
- •ISO_42001 : ISO/IEC 42001:2023
- •UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
- •OECD_AI_PRINCIPLES : OCDE - Principes IA
- •COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
5236e22a-16a5-49e2-a18b-fe1b9eb1fd71
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.