Un processus dans lequel les résultats de l’IA sont réinjectés en entrée, ce qui peut amplifier le comportement du modèle — pour le meilleur (apprentissage par renforcement) ou pour le pire (renforcement des biais).
Décrit à la fois les boucles intentionnelles (apprentissage par renforcement) et non intentionnelles (renforcement des recommandations). Les boucles positives peuvent optimiser les performances au fil du temps, mais les boucles négatives risquent d’amplifier les biais — par exemple, un système de recommandation qui affiche du contenu populaire le rend encore plus populaire. Les stratégies de gouvernance incluent des métriques de détection des boucles, des politiques d’intervention (quotas de diversité) et des tests de boucles simulées avant le déploiement en production.
Le système de recommandation d’une plateforme d’actualités met en avant des articles tendances. Comme les utilisateurs cliquent davantage sur ceux-ci, le système les amplifie encore davantage, ce qui réduit la diversité des contenus. L’équipe introduit des contraintes de « sérendipité » — en injectant des sujets moins consultés à un taux fixe — afin de rompre la boucle de rétroaction non bornée et de préserver la variété des contenus.
