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.
L'absence de données peut biaiser les modèles ou réduire la précision. La gouvernance couvre plusieurs stratégies : Suppression (supprimer les enregistrements incomplets), Imputation (moyenne, médiane, basée sur un modèle) ou fonctions d'indicateur explicite de l'absence. Chaque choix doit être documenté, son impact sur l'équité en aval évalué, et les pipelines configurés pour gérer de manière cohérente les valeurs manquantes en production.
Un ensemble de données sur le risque de crédit comporte 15 % de valeurs de revenus manquantes. L'équipe compare l'imputation moyenne, l'imputation KNN et un modèle d'imputation prédictive. Ils choisissent l'imputation KNN (le RMSE le plus bas), ajoutent une caractéristique binaire « was_income_missing », et valident que l'imputation ne biaise 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.