Méthodologie · Taxonomie

La taxonomie TriAxis

Chaque biais est classé selon 3 axes orthogonaux qui répondent à 3 questions simples : D'où vient le biais ?, à quelle étape survient-il, et quelle est sa nature précise.

Pourquoi TriAxis

Une classification qui résiste au temps

La plupart des taxonomies existantes classent les biais par symptôme (ce que le biais fait) ou par domaine (santé, justice, recrutement…). Ces approches sont utiles mais elles vieillissent mal : de nouveaux biais apparaissent en permanence dans de nouveaux contextes.

TriAxis adopte une approche structurelle : elle décrit chaque biais par 3 propriétés fondamentales qui ne dépendent ni du domaine, ni de la technologie. Un biais reste classable de la même manière qu'il soit détecté en 2020 ou en 2035.

O

Origine

D'où vient le biais ? 3 possibilités : Systémique, computationnel ou humain-cognitif.

L

Lifecycle

À quelle étape du cycle de vie IA? 7 étapes de L1 (historique) à L7 (déploiement).

S

Spécifique

Quelle est la nature précise? 30 catégories de S01 (proxy) à S30 (interaction).

Les 3 axes

Détail des axes O, L et S

O

Axe Origine

D'où vient le biais ??

O1

Systémique

Le biais est inscrit dans les structures sociales, historiques ou institutionnelles. Il précède l'IA et se reflète dans ses données.

O2

computationnel

Le biais naît de l'algorithme lui-même : choix de modèle, optimisation, représentation des données, boucles de rétroaction.

O3

Humain-cognitif

Le biais vient des biais cognitives des concepteurs, annotateurs ou utilisateurs : ancrage, confirmation, disponibilité.

L

Axe Lifecycle

À quelle étape du cycle de vie IA?

L1

Historique

Données historiques, archives, corpus anciens qui portent les traces du passé.

L2

Représentation

Choix des variables, encodages, tokenisation, vecteurs de représentation.

L3

Mesure

Métriques, seuils, labels. Ce que l'on mesure détermine ce que le modèle apprend.

L4

Agrégation

Fusion de sources, pondérations, moyennes qui effacent des disparités.

L5

Évaluation

Choix des jeux de test, métriques de performance, seuils d'acceptation.

L6

Déploiement

Mise en production, drift, feedbacks utilisateurs, dégradation progressive.

S

Axe Spécifique

Quelle est la nature précise du biais?

30 catégories couvrant l'ensemble des mécanismes de biais identifiés dans la littérature. Exemples :

S01
Proxy
S02
Feedback
S03
Sélection
S04
Sampling
S05
Annotation
S07
Distribution shift
S10
Automation
S24
Institutionnel

Liste complète dans la base (30 catégories).

Système de notation

Le score IBI

Chaque biais reçoit un score IBI (0 à 10) calculé à partir de 4 dimensions quantitatives : sévérité, fréquence, ampleur des groupes impactés et difficulté de détection.

⚠️

Sévérité

De 1 (mineur) à 5 (critique). Impact potentiel sur les personnes.

🔁

Fréquence

Rare, occasionnel, fréquent, systématique.

👥

Ampleur groupes

Nombre de groupes protégés impactés (1 à 5).

🔍

Détection

Difficulté à identifier le biais (1 = facile, 5 = très difficile).

Échelle de sévérité (niveaux officiels)

5 - Critique
Risque direct pour les droits fondamentaux. Déploiement à interdire ou restreindre.
4 - Grave
Discrimination significative identifiée. Correction obligatoire.
3 - Modéré
Écart mesurable mais limité. Surveillance et documentation.
1 à 2 - Faible
Impact marginal. Amélioration continue.

Exemple

TriAxis en action

Voici comment un biais classique est décrit avec TriAxis.

IBI-0002Score 9.0Critique

Biais de proxy discriminant

Variable apparemment neutre servant de substitut statistique à un attribut protégé.

Origine
O2_computationnel

Naît de l'algorithme et du choix des variables.

Lifecycle
L3_mesure

Se manifeste dans le choix des métriques.

Spécifique
S01_proxy

Substitution par variable corrélée.

Explorer la base

250 biais, 68 réglementations, 21 vues analytiques. Tout est consultable, citable et ouvert.