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 qu'un modèle possède concernant une prédiction spécifique. Cette valeur varie généralement de 0 à 1 (ou de 0 % à 100 %) et représente la probabilité estimée que le résultat de l'algorithme corresponde à la réalité terrain. Par exemple, dans une tâche de détection d'objets, si un système identifie une zone d'une image comme un « vélo » avec une confiance de 0,92, cela suggère une probabilité estimée de 92 % que la classification soit correcte. Ces scores sont dérivés de la dernière couche d'un réseau de neurones, souvent traités par une fonction d'activation telle que Softmax pour la catégorisation multi-classes ou la fonction Sigmoïde pour les décisions binaires.

Link to this sectionLe rôle de la confiance dans l'inférence#

Les scores de confiance sont un composant fondamental du flux de travail du moteur d'inférence, agissant comme un filtre pour distinguer les prédictions de haute qualité du bruit de fond. Ce processus de filtrage, appelé seuillage, permet aux développeurs d'ajuster la sensibilité d'une application. En établissant 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 pourrait entraîner la perte d'instances subtiles.

Dans des architectures avancées comme Ultralytics YOLO26, les scores de confiance sont essentiels pour les techniques de post-traitement comme la suppression des non-maximaux (NMS). La NMS utilise ces scores pour supprimer les boîtes englobantes redondantes qui se chevauchent de manière significative, ne préservant que la détection ayant la probabilité la plus élevée. Cette étape garantit que le résultat final est propre et prêt pour des tâches en aval telles que le comptage d'objets ou le suivi.

L'exemple Python suivant démontre comment filtrer les prédictions par confiance en utilisant le 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}")

Link to this sectionApplications concrètes#

Les scores de confiance fournissent un niveau d'interprétabilité indispensable dans les industries où la vision par ordinateur (CV) est appliquée. Ils aident les systèmes automatisés à déterminer quand procéder de manière autonome et quand déclencher des alertes pour une révision 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 pourrait recouper ces données avec des capteurs LiDAR ou un radar pour vérifier la présence de l'objet avant d'exécuter une manœuvre d'urgence. Cette redondance aide à prévenir le « freinage fantôme » causé par les ombres ou l'éblouissement.
• Diagnostics médicaux : Lorsque tu exploites l'IA dans la santé, les modèles assistent les professionnels de santé en signalant des anomalies potentielles dans les données d'imagerie. Un système conçu pour la détection de tumeurs pourrait mettre en évidence des régions avec une confiance élevée pour un diagnostic immédiat, tandis que les prédictions à faible confiance sont enregistrées pour une analyse secondaire. Ce flux de travail humain dans la boucle garantit que l'IA augmente la prise de décision clinique sans remplacer le jugement d'un expert.
• Automatisation industrielle : Dans la fabrication intelligente, les bras robotisés utilisent les scores de confiance pour interagir avec des objets sur les chaînes de montage. Un robot équipé d'une IA de vision pourrait n'essayer de saisir un composant que si la confiance de détection dépasse 90 %, réduisant ainsi le risque d'endommager des pièces délicates en raison d'un mauvais alignement.

Link to this sectionDistinguer la confiance des termes associés#

Il est crucial de différencier la confiance des autres métriques statistiques utilisées dans l'évaluation de modèle.

• Confiance vs Précision : La précision est une métrique globale qui décrit à quelle fréquence un modèle est correct sur l'ensemble d'un jeu de données (par exemple, « Le modèle est précis à 92 % »). En revanche, la confiance est une valeur locale, spécifique à la prédiction (par exemple, « Le modèle est sûr à 92 % que cette image spécifique contient un chat »). Un modèle peut avoir une précision globale élevée tout en donnant une faible confiance sur les cas limites.
• Confiance vs Calibration de probabilité : Un score de confiance brut ne s'aligne pas toujours avec la probabilité de correction réelle. Un modèle est « bien calibré » si les prédictions faites avec 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 employées pour aligner les scores avec les probabilités empiriques.
• Confiance vs Précision (Precision) : La précision mesure la proportion d'identifications positives qui étaient réellement correctes. Bien qu'augmenter le seuil de confiance renforce généralement la précision, cela se fait souvent au détriment du rappel. Tu dois ajuster ce seuil en fonction de si ton application donne la priorité à la détection d'un plus grand nombre d'objets ou à la minimisation des fausses alertes.

Link to this sectionAméliorer la confiance du modèle#

Si un modèle génère systématiquement une faible confiance pour des objets valides, cela signale souvent une divergence entre les données d'entraînement et l'environnement de déploiement. Les stratégies pour atténuer cela incluent l'augmentation de données, qui élargit artificiellement le jeu de données en faisant varier l'éclairage, la rotation et le bruit. De plus, utiliser la plateforme Ultralytics pour implémenter 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 IA robustes, capables de fonctionner de manière fiable dans des environnements dynamiques et réels.