Gestion des données manquantes
Techniques (par exemple, imputation, suppression, modélisation) pour combler les lacunes dans les ensembles de données afin de maintenir l'intégrité et l'équité des modèles.
Les données manquantes peuvent biaiser les modèles ou réduire la précision. La gouvernance couvre différentes stratégiesu0000a0: suppression (retirer les enregistrements incomplets), imputation (moyenne, médiane, basée sur un modèle) ou variables indicatrices explicites de valeurs manquantes. Chaque choix doit être documenté, son impact sur lu0019équité en aval doit être évalué, et les pipelines doivent être configurés pour traiter les valeurs manquantes de manière cohérente en production.
Un jeu de données de risque de crédit présente 15 % de valeurs de revenu manquantes. L’équipe compare l’imputation par la moyenne, l’imputation KNN et un modèle d’imputation prédictive. Elle choisit l’imputation KNN (RMSE le plus faible), ajoute une variable binaire « was_income_missing » et vérifie que l’imputation ne fausse pas les taux d’approbation pour les groupes défavorisés.
Nous vous aidons à trouver des réponses
Quel problème Enzai résout-il ?
Enzai fournit une infrastructure de niveau entreprise pour gérer les risques et la conformité de l'IA. Il crée un système centralisé où les systèmes d'IA, les modèles, les ensembles de données et les décisions de gouvernance sont documentés, évalués et audités.
Pour qui Enzai est-il conçu ?
En quoi Enzai se distingue-t-il des autres outils de gouvernance ?
Pouvons-nous commencer si nous n'avons pas de processus de gouvernance de l'IA existant ?
La gouvernance de l'IA freine-t-elle l'innovation ?
Comment Enzai s'aligne-t-il avec l'évolution des réglementations en matière d'IA ?
Recherche, perspectives et mises à jour
Donnez à votre organisation les moyens d'adopter, de gérer et de surveiller l'IA avec une confiance de niveau entreprise. Conçu pour les organisations réglementées opérant à grande échelle.