Retour aux cas pratiques
Machine LearningExpert

Correction d’un modèle biaisé générant discrimination indirecte

Scénario

Contexte : Un modèle de scoring RH présente des disparités de performance selon certains groupes. Le Problème : Des variables corrélées à des attributs sensibles introduisent un biais indirect. Extrait logique actuelle : Utilisation brute de toutes les variables disponibles Contraintes : Identifier sources de biais. Évaluer équité via métriques adaptées. Ajuster modèle ou features pour réduire discrimination. Livrable attendu : Proposer une stratégie d’audit et mitigation du biais tout en maintenant performance globale.

Compétences ciblées

fairnessbias-mitigationethicsmodel-evaluationbugfix
    Correction d’un modèle biaisé générant discrimination indirecte — mise en situation Machine Learning | CodeDuel