Lorsqu'un modèle d'IA prédit incorrectement une classe négative pour un cas qui est en réalité positif (Erreur de Type II).
Se produit lorsque le modèle ne détecte pas des cas réels — un risque majeur dans les domaines de la fraude, de la sécurité ou du diagnostic médical. Les faux négatifs peuvent entraîner des menaces non détectées ou des interventions manquées. La gouvernance doit surveiller les taux de rappel, définir des niveaux de risque acceptables et mettre en œuvre des contrôles secondaires ou une surveillance (par exemple, la détection d’anomalies) afin d’identifier les événements non détectés.
Dans une IA de dépistage du cancer, un taux de faux négatifs de 2 % signifie que 2 tumeurs sur 100 ne sont pas détectées. Un hôpital met en place un processus de double lecture manuelle pour les examens à faible niveau de confiance et abaisse le seuil de décision du modèle, réduisant les faux négatifs à 1 % au prix d’une légère augmentation des faux positifs, puis suit les résultats des patients afin de valider l’efficacité de cet ajustement.
