Les cinq composantes de la facilité d'utilisation selon Nielsen

Le modèle en spirale est un modèle de processus de développement logiciel axé sur les risques, combinant des éléments du prototypage et du modèle en cascade. Il s'agit d'un type de développement itératif où le projet passe par quatre phases à chaque itération (spirale) : définition des objectifs, identification et résolution des risques, développement et tests, et planification de l'itération suivante. Il met l'accent sur l'analyse continue des risques.

La détection de signaux consiste à identifier des liens de causalité potentiels entre un médicament et un événement indésirable à partir de vastes bases de données, généralement issues de systèmes de déclaration spontanée. Elle utilise des méthodes statistiques, appelées analyses de disproportionnalité, pour identifier les combinaisons médicament-événement signalées plus fréquemment que prévu. Une mesure courante est le rapport de cotes de déclaration (RDR), une valeur supérieure à 1 suggérant un signal potentiel nécessitant une investigation plus approfondie.

La norme internationale ISO 9241-11 définit l'utilisabilité comme « la mesure dans laquelle un produit peut être utilisé par des utilisateurs spécifiés pour atteindre des objectifs précis avec efficacité, efficience et satisfaction dans un contexte d'utilisation donné ». Cette définition fournit un cadre pour mesurer l'utilisabilité en la décomposant en trois composantes distinctes et quantifiables, allant au-delà des évaluations purement subjectives.

En apprentissage automatique équitable, les théorèmes d'impossibilité démontrent qu'il est mathématiquement impossible pour un algorithme de satisfaire simultanément plusieurs critères d'équité, même apparemment intuitifs, sauf dans des cas triviaux. Par exemple, un algorithme ne peut généralement pas satisfaire à la fois la parité démographique (taux de positivité égaux entre les groupes) et l'égalité des chances (taux de vrais positifs et de faux positifs égaux entre les groupes) si les taux de base diffèrent entre les groupes.

La BFT (acronyme de Byzantine Fault Tolerance) est une propriété d'un système qui lui permet de continuer à fonctionner correctement et de parvenir à un consensus même si certains de ses composants tombent en panne de manière arbitraire et imprévisible, y compris par un comportement malveillant (défaillances byzantines). Il s'agit d'une garantie beaucoup plus forte que la tolérance à de simples pannes. Il faut un minimum de [latex]3f+1[/latex] de composants totaux pour tolérer [latex]f[/latex] de composants défectueux et malveillants.

RAID (Redundant Array of Independent Disks) est une technologie de virtualisation du stockage de données qui combine plusieurs disques physiques en une ou plusieurs unités logiques pour assurer la redondance des données, améliorer les performances, ou les deux. Les différents niveaux de RAID offrent divers compromis entre fiabilité, disponibilité, performances et capacité. Par exemple, le RAID 1 duplique les données sur deux disques, tandis que le RAID 5 répartit les données et la parité sur au moins trois disques.

La gestion de projet agile est une approche itérative de la réalisation d'un projet tout au long de son cycle de vie. Elle décompose les grands projets en tâches plus petites et plus faciles à gérer, réalisées en itérations courtes, ou « sprints ». Cela permet une réévaluation fréquente, l'adaptation des plans et une flexibilité face aux changements. Elle privilégie la collaboration client, le fonctionnement des logiciels et la réactivité face aux changements plutôt qu'une documentation exhaustive et des plans rigides.

Les techniques d'atténuation des biais algorithmiques se répartissent en trois grandes étapes par rapport au processus d'apprentissage du modèle. Les méthodes de prétraitement modifient les données d'apprentissage (par exemple, pondération, rééchantillonnage). Les méthodes intégrées intègrent des contraintes d'équité directement dans l'algorithme d'apprentissage du modèle. Les méthodes de posttraitement ajustent les prédictions du modèle après leur exécution afin d'améliorer l'équité.

Un biais algorithmique survient lorsqu'une variable de substitution utilisée par un algorithme est corrélée à la fois à un attribut protégé (comme l'origine ethnique ou le sexe) et à la variable d'intérêt. L'algorithme peut alors, par inadvertance, apprendre à discriminer en fonction de l'attribut protégé en utilisant cette variable de substitution, même si cet attribut est explicitement exclu des données d'entrée du modèle.