# Biais Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Biais", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Renvoyée par Google pour un article de 14 pages, elle a reçu le soutien de plus de 4000 personnes. Six ans plus tard : ses prédictions ont presque annoncé toute l'ère de l'IA.

À la fin de 2020, la chercheuse en éthique de l'IA Timnit Gebru, co-responsable de l'équipe Ethical AI de Google, a été licenciée suite à un conflit concernant un article académique intitulé "On the Dangers of Stochastic Parrots". Cet article de 14 pages, co-écrit en 2020, a averti des risques majeurs associés aux grands modèles de langage, bien avant l'essor de l'IA générative. Ses mises en garde se sont depuis avérées prophétiques. L'article soutenait que ces modèles, comme des "perroquets stochastiques", reproduisent des schémas linguistiques sans compréhension réelle, risquant d'amplifier les biais sociaux présents dans les données d'entraînement et de générer des informations fausses mais plausibles (un problème maintenant connu sous le nom d'"hallucinations" de l'IA). Il prévoyait également l'énorme coût environnemental de l'entraînement, l'impossibilité d'auditer complètement les vastes ensembles de données, et le risque de concentration du pouvoir linguistique et culturel entre les mains de quelques géants technologiques. Le refus de Gebru de retirer l'article ou d'en retirer son nom a conduit à son départ forcé, suscitant le soutien de plus de 4000 employés et chercheurs. Peu après, l'équipe Ethical AI de Google a été largement démantelée. Gebru a ensuite fondé le Distributed AI Research Institute (DAIR) pour étudier ces questions en dehors des pressions commerciales. Six ans plus tard, les problèmes qu'elle avait identifiés – biais algorithmiques, hallucinations, impact carbone, pollution des données par le contenu IA généré et "effondrement des modèles" – sont au cœur des défis actuels de l'industrie. L'histoire a montré que Timnit Gebru n'était pas trop pessimiste, mais qu'elle avait simplement vu ces problèmes bien avant les autres.

marsbit06/08 10:34

Renvoyée par Google pour un article de 14 pages, elle a reçu le soutien de plus de 4000 personnes. Six ans plus tard : ses prédictions ont presque annoncé toute l'ère de l'IA.

marsbit06/08 10:34

Les marchés prédictifs sous le prisme des préjugés

L'auteur défend les marchés prédictifs contre les critiques médiatiques qui les assimilent au jeu. Il souligne que la distinction entre investissement et jeu dépend de la stratégie du participant, pas du mécanisme de marché. Les marchés prédictifs, comme le poker, récompensent la compétence et l'information, contrairement aux jeux de pur hasard. Il explique que ces marchés permettent un transfert de risque précis, similaire à une assurance, et que leur liquidité est naturellement concentrée sur les événements d'intérêt public, limitant ainsi le potentiel d'abus par initiés. Leur valeur réside dans leur capacité à ancrer les prix directement à la réalité, récompensant la recherche approfondie. L'article conclut que l'opposition des médias traditionnels provient souvent d'une volonté de contrôler la narrative. Les marchés prédictifs, en permettant une tarification libre de l'information, sont présentés comme un outil démocratique pour contrer le monopole de l'information par les élites.

marsbit04/20 12:15

Les marchés prédictifs sous le prisme des préjugés

marsbit04/20 12:15

Votre Backtest Ment : Pourquoi Vous Devez Utiliser des Données Point-in-Time

Le backtest d'une stratégie de trading basée sur les soldes des exchanges de Bitcoin, utilisant des données révisées rétroactivement, montre des performances trompeuses. La stratégie initiale, qui entre en position lorsque la moyenne mobile à 5 jours du solde de Binance passe sous sa moyenne à 14 jours, semblait performante, parfois même comparable à une stratégie buy-and-hold. Cependant, cette approche souffre d'un bais de prospective (look-ahead bias), car les données sont souvent révisées a posteriori avec des informations qui n'étaient pas disponibles au moment de la prise de décision. Lorsque le même test est répété avec des données Point-in-Time (PiT) – des métriques immuables reflétant uniquement les informations connues à l'époque – les résultats sont significativement moins bons. La version PiT échoue notamment à capturer correctement les hausses de novembre 2024 et mars 2025. La conclusion est claire : les backtests mentent s'ils utilisent des données révisées. Seules les métriques Point-in-Time garantissent une évaluation honnête des performances passées d'une stratégie.

insights.glassnode03/13 14:17

Votre Backtest Ment : Pourquoi Vous Devez Utiliser des Données Point-in-Time

Votre backtest vous ment : pourquoi les données historiques instantanées (Point-in-Time) sont essentielles Un exemple de stratégie de trading basée sur les sorties de BTC des exchanges (signaux via moyenne mobile 5j < 14j) semble performante en backtest, dépassant parfois le simple buy-and-hold. Cependant, ces résultats sont trompeurs car ils utilisent des données révisées a posteriori, introduisant un bais de prospective (look-ahead bias). En réalité, les métriques on-chain comme les soldes des exchanges sont souvent révisées avec des informations ultérieures, faussant les tests. Une fois recalculée avec des données Point-in-Time (PiT) – immuables et reflétant uniquement les informations disponibles à l'époque – la même stratégie performe significativement moins bien. La version PiT rate une partie de la hausse et son rendement final est bien inférieur. La conclusion est claire : seules les données historiques instantanées permettent de rejouer l'histoire telle qu'elle s'est réellement déroulée. Un backtest n'est honête que s'il utilise strictement les informations qui étaient accessibles au moment des décisions de trading.

insights.glassnode03/13 14:17

a16z : L'IA multiplie l'efficacité de chacun par 10, mais aucune entreprise ne vaut 10 fois plus

**Résumé en français :** L'article d'a16z souligne que si l'IA multiplie la productivité individuelle par 10, elle n'augmente pas proportionnellement la valeur des entreprises. La raison fondamentale réside dans l'absence de restructuration organisationnelle parallèlement à l'adoption de la technologie, un phénomène similaire à la lente intégration de l'électricité dans les usines au début du 20ème siècle. L'auteur distingue l'« IA de niveau institutionnel » de l'« IA de niveau individuel » à travers sept piliers clés : 1. **Coordination** : L'IA institutionnelle organise le travail, évitant le chaos généré par des agents individuels non coordonnés. 2. **Signal** : Elle extrait le signal utile du bruit (ou "déchets IA") exponentiel généré par les outils de productivité personnelle. 3. **Biais** : Elle favorise l'objectivité et challenge les préjugés, contrairement aux IA personnelles qui les renforcent. 4. **Avantage marginal** : Elle exploite des avantages spécialisés et pointus dans des domaines spécifiques, là où les modèles génériques deviennent une commodité. 5. **Résultat** : Elle se concentre sur la génération de revenus supplémentaires plutôt que sur la simple réduction des coûts ou économie de temps. 6. **Autonomisation** : Elle intègre un changement managérial et de l'ingénierie des processus pour garantir l'adoption à tous les niveaux de l'organisation. 7. **Sans prompt** : Elle fonctionne de manière proactive, sans avoir besoin d'instructions (prompts) humaines, découvrant ainsi des opportunités ou risques invisibles. La conclusion est que la valeur durable se capturera au niveau des "solutions" (couche institutionnelle) qui combinent la technologie et la refonte des processus organisationnels, et non pas simplement en fournissant des outils individuels. L'avenir appartient aux entreprises qui sauront "reconcevoir l'usine" et non pas seulement "installer un nouveau moteur".

marsbit03/13 04:52