Lors de la création d'un modèle pour générer des images de personnes exerçant différentes professions, vous constatez que les données d'entraînement sont biaisées et que certains attributs faussent les résultats. Quelle technique d'atténuation permet de résoudre ce problème ?

L'augmentation des données pour les classes déséquilibrées est la technique la plus appropriée pour résoudre les biais dans les données d'entraînement où certains attributs faussent les résultats. En créant de nouvelles instances synthétiques pour les classes sous-représentées, on équilibre la distribution des données, ce qui permet au modèle d'apprendre de manière plus juste et de réduire les stéréotypes. La surveillance du modèle pour la distribution des classes est une étape de détection, pas une technique d'atténuation. La génération augmentée par récupération (RAG) est utilisée pour améliorer la pertinence des réponses des modèles de langage en les ancrant à des sources externes, ce qui n'est pas pertinent ici. La détection de filigrane est une technique de sécurité ou d'authentification pour les images, sans rapport avec la correction des biais d'entraînement.