L'ensemble des hypothèses qu'un algorithme d'apprentissage utilise pour généraliser des données observées à des instances non vues.
Chaque modèle intègre des biais — par exemple, des hypothèses de lissage dans les méthodes à noyau ou de localité dans le KNN — qui orientent la généralisation. La reconnaissance du biais inductif aide les équipes de gouvernance à sélectionner des algorithmes adaptés au domaine et à comprendre les modes de défaillance. Elle éclaire également la quantité de données nécessaire pour apprendre de manière fiable, ainsi que les classes de modèles susceptibles de présenter des performances systématiquement inférieures sur certaines tâches.
Une équipe spécialisée dans les séries temporelles choisit un modèle autorégressif, car son biais inductif repose sur l’hypothèse d’une continuité temporelle, ce qui permet d’ajuster les données de prix des actions mieux qu’un réseau neuronal feedforward. Elle documente ce choix dans sa justification de sélection du modèle pour de futurs audits et veille à ce que le biais du modèle soit aligné sur les connaissances du domaine.
