Un cabinet comptable déploie un système de traitement de documents basé sur un LLM et souhaite suivre des pratiques d'IA responsable. Quelles sont les deux actions que le cabinet devrait entreprendre pendant le développement et le déploiement ? (Choisissez-en deux.)

Pour une IA responsable, il est crucial d'inclure des métriques d'équité lors de l'évaluation du modèle afin de détecter et de corriger les biais potentiels dans les prédictions, garantissant ainsi un traitement juste pour tous les groupes d'utilisateurs. De plus, modifier les données d'entraînement pour atténuer les biais est fondamental, car les LLM apprennent des données qu'ils reçoivent ; des données biaisées conduiront à des modèles biaisés. Ajuster le paramètre de température et appliquer des techniques d'ingénierie de prompt sont des méthodes d'optimisation des performances ou du comportement du modèle, mais ne traitent pas directement les aspects d'équité ou de biais inhérents à l'IA responsable. Éviter le surapprentissage est une bonne pratique pour la généralisation du modèle, mais n'est pas une action directe pour l'IA responsable en termes d'équité ou de biais.