Accueil›Biais›IBI-00103
IBI-001034 - Gravepublie

Biais d'agrégation

Aggregation Bias

Score IBI
7.5
sur 10
Sévérité4_grave
Fréquencefrequent
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)

Modèle unique appliqué à des populations hétérogènes aux distributions différentes.

🇬🇧 Definition (EN)

Single model applied to heterogeneous populations with different distributions.

Taxonomie TriAxis

Classification structurelle

O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L4
Agrégation
S
Spécifique
S17
Erreur de mesure
💡
Exemple concret

Un modèle de diabète ignore les différences métaboliques entre populations.

📊 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

🛡 Impact & Mitigation

🎯 Groupes vulnérables impactés

Personnes noires / afro-desc.Personnes asiatiques

🛠 Méthodologies de mitigation

  • CALIBRATION : Calibration par groupe
  • AUDIT_TIERS : Audit par tiers indépendant

🏢 Secteurs concernés

Santé et médecine (Risque: /5)

⚖ Réglementations applicables

🇺🇸 États-Unis
  • •
    US_CO_SB24_205 : Colorado AI Act (SB 24-205)
  • •
    US_NIST_AI_RMF : NIST AI Risk Management Framework 1.0
🌍 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
🇪🇺 Europe
  • •
    AI_ACT_15 : AI Act (UE) 2024/1689
  • •
    AI_ACT_9 : AI Act (UE) 2024/1689
🌐 autre
  • •
    SG_AI_GOVERNANCE : Singapour - AI Governance Framework

📋 Métadonnées

Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
7e9d5cfc-9462-4436-83d4-47bbc11616ba

Explorer d'autres biais

250 biais documentés, classés par la taxonomie TriAxis.