Confidence

Dans le domaine de l’intelligence artificielle et de l’apprentissage automatique, un score de confiance est une métrique qui quantifie le niveau de certitude d’un modèle concernant une prédiction spécifique. Cette valeur s’étend généralement de 0 à 1 (ou de 0 % à 100 %) et représente la probabilité estimée que la sortie de l’algorithme corresponde à la vérité terrain. Par exemple, dans une tâche de détection d’objets, si un système identifie une région d’une image comme étant un « vélo » avec une confiance de 0,92, cela indique une probabilité estimée de 92 % que la classification soit correcte. Ces scores sont dérivés de la dernière couche d’un réseau neuronal, puis souvent traités par une fonction d’activation telle que Softmax pour la catégorisation multiclasse ou la fonction Sigmoid pour les décisions binaires.

Le rôle de la confiance dans l’inférence#

Les scores de confiance sont un composant fondamental du flux de travail du moteur d’inférence, servant de filtre pour distinguer les prédictions de qualité du bruit de fond. Ce processus de filtrage, appelé seuillage, permet aux développeurs d’ajuster la sensibilité d’une application. En définissant un seuil de confiance minimal, tu peux gérer le compromis précision-rappel critique. Un seuil plus bas peut détecter davantage d’objets, mais augmente le risque de faux positifs, tandis qu’un seuil plus élevé améliore la précision, mais peut entraîner l’omission d’instances difficiles à détecter.

Dans des architectures avancées comme Ultralytics YOLO26, les scores de confiance sont essentiels aux techniques de post-traitement telles que la suppression non maximale (NMS). La NMS utilise ces scores pour supprimer les boîtes englobantes redondantes qui se chevauchent fortement, en conservant uniquement la détection ayant la probabilité la plus élevée. Cette étape garantit que la sortie finale est propre et prête pour des tâches en aval telles que le comptage d’objets ou le suivi.

L’exemple Python suivant montre comment filtrer les prédictions selon leur confiance à l’aide du package ultralytics :

from ultralytics import YOLO

# Load the latest YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference with a confidence threshold of 0.5 (50%)
# Only detections with a score above this value are returned
results = model.predict("https://ultralytics.com/images/bus.jpg", conf=0.5)

# Inspect the confidence scores of the detected objects
for box in results[0].boxes:
    print(f"Class: {box.cls}, Confidence: {box.conf.item():.2f}")

Applications concrètes#

Les scores de confiance apportent un niveau d’interprétabilité indispensable dans les secteurs où la vision par ordinateur (CV) est utilisée. Ils aident les systèmes automatisés à déterminer quand poursuivre de manière autonome et quand déclencher des alertes nécessitant une vérification humaine.

• Conduite autonome : Dans le secteur de l’IA dans l’automobile, les véhicules autonomes s’appuient sur des métriques de confiance pour garantir la sécurité des passagers. Si un système de perception détecte un obstacle avec une faible confiance, il peut recouper ces données avec celles de capteurs LiDAR ou d’un radar afin de vérifier la présence de l’objet avant d’exécuter une manœuvre d’urgence. Cette redondance contribue à prévenir les « freinages fantômes » causés par des ombres ou des reflets éblouissants.
• Diagnostics médicaux : Lorsqu’ils exploitent l’IA dans le domaine de la santé, les modèles aident les professionnels de santé en signalant les anomalies potentielles dans les données d’imagerie. Un système conçu pour la détection de tumeurs peut mettre en évidence les régions présentant une forte confiance afin qu’elles soient diagnostiquées immédiatement, tandis que les prédictions à faible confiance sont consignées pour une analyse secondaire. Ce flux de travail avec intervention humaine garantit que l’IA améliore la prise de décision clinique sans remplacer le jugement des experts.
• Automatisation industrielle : Dans la fabrication intelligente, les bras robotisés utilisent les scores de confiance pour interagir avec les objets sur les chaînes d’assemblage. Un robot équipé d’une IA de vision peut tenter de saisir un composant uniquement si la confiance de la détection dépasse 90 %, réduisant ainsi le risque d’endommager des pièces délicates en raison d’un mauvais alignement.

Distinguer la confiance des termes associés#

Il est essentiel de distinguer la confiance des autres métriques statistiques utilisées pour l’évaluation des modèles.

• Confiance et exactitude : L’exactitude est une métrique globale qui décrit la fréquence à laquelle un modèle est correct sur l’ensemble d’un jeu de données (par exemple : « Le modèle est exact à 92 % »). En revanche, la confiance est une valeur locale propre à chaque prédiction (par exemple : « Le modèle est sûr à 92 % que cette image spécifique contient un chat »). Un modèle peut avoir une exactitude globale élevée tout en produisant une faible confiance sur des cas limites.
• Confiance et calibration des probabilités : Un score de confiance brut ne correspond pas toujours à la véritable probabilité d’exactitude. Un modèle est « bien calibré » si les prédictions associées à une confiance de 0,8 sont correctes environ 80 % du temps. Des techniques telles que la mise à l’échelle de Platt ou la régression isotonique sont souvent utilisées pour aligner les scores sur les probabilités empiriques.
• Confiance et précision : La précision mesure la proportion d’identifications positives qui étaient effectivement correctes. Bien qu’une augmentation du seuil de confiance améliore généralement la précision, elle se fait souvent au détriment du rappel. Les développeurs doivent ajuster ce seuil en fonction de la priorité de leur application : manquer le moins d’objets possible ou minimiser les fausses alertes.

Améliorer la confiance du modèle#

Si un modèle produit systématiquement une faible confiance pour des objets valides, cela signale souvent un écart entre les données d’entraînement et l’environnement de déploiement. Les stratégies permettant d’atténuer ce problème incluent l’augmentation des données, qui élargit artificiellement le jeu de données en faisant varier l’éclairage, la rotation et le bruit. En outre, l’utilisation de l’Ultralytics Platform pour mettre en œuvre des pipelines d’apprentissage actif permet aux développeurs d’identifier facilement les échantillons à faible confiance, de les annoter et de réentraîner le modèle. Ce cycle itératif est essentiel pour créer des agents d’IA capables de fonctionner de manière fiable dans des environnements dynamiques et réels.