Glossaire

Inférence causale

Qu’est-ce que Inférence causale ?

L'inférence causale regroupe les méthodes permettant de déduire des relations de cause à effet à partir de données, au lieu de se limiter à constater des corrélations. Elle répond à des questions comme « Que se serait-il passé sans cette mesure ? ». Parmi les outils : expériences randomisées comme les tests A/B, graphes causaux et techniques statistiques pour données d'observation. Exemple : vérifier si une promotion a réellement augmenté les ventes ou si elles auraient progressé de toute façon pour des raisons saisonnières.

Thèmes

Statistiques
Cause et effet
Analyse

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Réseaux bayésiens

Les réseaux bayésiens sont des modèles graphiques qui représentent les variables par des nœuds et leurs dépendances probabilistes par des flèches orientées. Grâce au théorème de Bayes, ils permettent de calculer comment de nouvelles observations modifient la probabilité d'autres événements. Exemple : l'aide au diagnostic, qui estime la cause la plus probable à partir de symptômes observés. Leurs atouts sont la lisibilité et la prise en compte de données incertaines ou lacunaires.

Probabilités
Modèles graphiques
+1

Analyse prédictive

L'analyse prédictive s'appuie sur des données historiques, la statistique et l'apprentissage automatique pour estimer des événements futurs probables. Elle répond à des questions comme : quels clients risquent de résilier ? Quel stock faudra-t-il le mois prochain ? Quand une machine tombera-t-elle probablement en panne ? Les résultats sont des probabilités, pas des certitudes. Leur valeur dépend fortement de la qualité des données et de leur intégration réelle dans les décisions et les processus.

analyse de données
prévision
+1

Biais

En IA, un biais est une distorsion systématique des résultats. Il provient souvent de données d'entraînement déséquilibrées ou marquées par l'histoire, mais aussi de la conception du modèle ou de la formulation de la question. Exemple connu : un filtre de candidatures qui apprend des recrutements passés peut perpétuer des discriminations. En statistique, le biais désigne aussi l'écart entre une estimation et la valeur réelle. Parades : données variées, contrôles réguliers et décisions humaines pour les questions de personnel.

Éthique de l'IA
Équité
+1

Analyse exploratoire des données (EDA)

L’analyse exploratoire des données (EDA) est un premier regard ouvert sur un jeu de données : on calcule des indicateurs, on examine distributions et graphiques et on cherche des tendances, des valeurs aberrantes et des valeurs manquantes, sans hypothèse arrêtée. Elle permet d’évaluer la qualité des données et de formuler les bonnes questions pour la suite. Exemple : avant une prévision des ventes, l’EDA montre qu’un mois a été saisi de façon incomplète lors d’un changement de système.

Analyse de données
Statistiques
+1

Modèle