Score IBI
7.2
sur 10
Sévérité4_grave
Fréquencefrequent
Ampleur groupes4
Difficulté détection3
🇫🇷 Définition (FR)
Population d'entraînement différente de la population de déploiement.
🇬🇧 Definition (EN)
Training population different from deployment population.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L7
Déploiement
S
Spécifique
S15
Biais de population
💡
Exemple concret
Un modèle entraîné sur des données américaines performe mal sur des populations asiatiques.
📊 Métriques de détection
Distribution ShiftDemographic Parity Difference
⚙ Seuils d'alerte
Distribution Shift0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •A Survey on Bias and Fairness in Machine LearningMehrabi, N., Morstatter, F., Saxena, N. (2021)
- •Gender Shades: Intersectional Accuracy Disparities in Commercial Gender ClassificationJoy Buolamwini, Timnit Gebru (2018)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Locuteurs langues minoritairesPersonnes asiatiques
🛠 Méthodologies de mitigation
- PSI : Population Stability Index
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Finance et services bancaires (Risque: /5)Santé et médecine (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
abe2d346-e02f-4c11-b847-9eb252b3efe8
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.