Recall

Le recall mesure le nombre d’objets (p. ex. des images ou des nuages de points) pour lesquels une prédiction juste doit être établie par le modèle d’IA. Exemple : quand un modèle d’IA prédit la conformité ou la non-conformité d’une pièce, le recall de non-conformité correspond à la proportion de pièces non conformes correctement identifiées telles. Dans ce cas, le recall apporte donc une réponse à la question suivante : « Sur l’ensemble des pièces non conformes, combien le modèle d’IA en a-t-il détecté ? » Un autre terme important dans ce contexte est la précision. La précision indique combien de tâches prédites comme conformes par un modèle d’IA le sont effectivement. À titre d’exemple, quand un modèle d’IA prédit la conformité ou la non-conformité d’une pièce, la précision de non-conformité correspond à la proportion de pièces non conformes correctement identifiées telles. Autrement dit, cela permet de répondre à la question suivante : « Quelle est la fiabilité de récurrence de la prédiction de non-conformité du modèle d’IA ? »