Dernière mise à jour :
Lorsqu'un modèle d'IA prédit à tort une classe positive pour une instance qui est en réalité négative (erreur de type I).
Un scénario dans lequel le modèle qualifie de malveillants des cas bénins, ce qui est fréquent dans les domaines de la sécurité, de la fraude ou du dépistage médical. Des taux élevés de faux positifs peuvent saturer les équipes d'examen, éroder la confiance et engendrer des coûts inutiles. La gouvernance exige de surveiller la précision, de définir des seuils acceptables et de mettre en œuvre des déclencheurs d'examen humain afin de regrouper ou de hiérarchiser efficacement les alertes.
Exemple concret :
Une intelligence artificielle de détection des fraudes par carte bancaire présente un taux de faux positifs de 10 %, ce qui signifie qu'une transaction légitime sur dix est bloquée. La banque met en place une équipe d'intervention rapide pour examiner les faux positifs en moins de 5 minutes, ajuste les seuils du modèle afin de réduire les fausses alertes pendant les heures d'affluence des achats, et communique les règles de pré-autorisation à ses clients afin de minimiser les inconvénients.
