Une entreprise développe une IA qui doit établir des prévisions pour les chiffres de vente de différents produits.
L'IA analyse des données historiques et établit des prévisions pour l'avenir.
Au début, les managers sont satisfaits, car les prévisions semblent réalistes.
Mais avec le temps, on remarque que les prévisions ont toujours tendance à prédire des valeurs plutôt moyennes.
Les phases extrêmes hautes ou basses sont rarement prévues, bien que de telles fluctuations aient été plus fréquentes dans le passé.
Les prévisions paraissent sûres, mais souvent imprécises lorsqu'il s'agit de pics ou de creux importants.
Pourquoi l'IA ne donne-t-elle toujours que la moyenne, alors qu'elle devrait fournir des prévisions précises ?
Question : Pourquoi une IA peut-elle avoir tendance à éviter les valeurs extrêmes dans ses prévisions et à donner plutôt la moyenne ?
La solution suivra demain.
Solution
Beaucoup de modèles d'IA, en particulier ceux avec des fonctions de perte moyennes comme l'erreur quadratique moyenne, optimisent leurs prévisions pour atteindre la moyenne des résultats possibles.
Cela signifie qu'en cas de données incertaines ou très fluctuantes, ils ont tendance à éviter les valeurs extrêmes et à fournir une prévision au centre de la distribution observée.
Cela produit des prévisions qui sont bonnes en moyenne, mais qui capturent rarement les pics réels ou les valeurs aberrantes.
L'IA « se protège » contre les grandes erreurs en choisissant des valeurs conservatrices, ce qui réduit cependant la précision lors d'événements extrêmes importants.
Résultat : Une IA qui base ses prévisions sur l'optimisation de la moyenne peut manquer des fluctuations importantes et devenir inutilisable dans des situations critiques. Pour des prévisions plus précises, des modèles ou méthodes spécialisés sont souvent nécessaires, capables de mieux représenter les incertitudes et les valeurs extrêmes.