Dernière mise à jour :
Lorsqu'un modèle d'IA prédit à tort une classe négative pour une instance qui est en réalité positive (erreur de type II).
Se produit lorsque le modèle ne détecte pas de cas réels, ce qui s'avère particulièrement dangereux dans les domaines de la fraude, de la sécurité ou des diagnostics médicaux. Les faux négatifs peuvent laisser planer des menaces non détectées ou conduire à l'absence d'interventions nécessaires. La gouvernance doit ainsi surveiller les taux de rappel, définir des niveaux de risque acceptables et mettre en œuvre des contrôles secondaires ou des systèmes de surveillance (par exemple, la détection d'anomalies) pour intercepter les événements manqués.
Exemple concret :
Dans le cadre d'une IA de dépistage du cancer, un taux de faux négatifs de 2 % signifie que 2 tumeurs sur 100 ne sont pas détectées. Un établissement hospitalier met alors en place un processus manuel de double lecture pour les examens à faible niveau de confiance et abaisse le seuil de décision du modèle. Cela permet de réduire les faux négatifs à 1 % au prix d'une légère augmentation des faux positifs, puis de suivre l'évolution de l'état des patients afin de valider l'efficacité de cet ajustement.
