Les réseaux de neurones standards produisent des estimations ponctuelles uniques, comme un prix de maison de 385 000 $, ce qui masque l'incertitude sous-jacente. Cela limite la prise de décision, car des métriques comme le MAE ne reflètent que l'erreur moyenne sur les ensembles de données, et non la confiance dans les prédictions individuelles. Les Réseaux de Neurones Bayésiens (BNN) répondent à ce problème en estimant une plage de valeurs plausibles et en quantifiant la confiance du modèle.

Au lieu de demander 'Quelle est la valeur prédite ?', les BNN répondent 'Quelle est la plage de valeurs plausibles, et quel est notre degré de certitude ?'. Ce changement permet de meilleures décisions sensibles au risque dans des applications comme l'évaluation automatisée. La mise en œuvre des BNN implique de paramétrer les distributions de poids et d'utiliser l'inférence variationnelle, car le calcul bayésien exact est intractable pour les réseaux comportant des milliers de paramètres.

L'article utilise le jeu de données California Housing et des notebooks Python pour illustrer les choix d'ingénierie clés, tels que la sélection a priori et les méthodes d'inférence. Chaque notebook met en évidence une décision de conception, en soulignant que les systèmes de production doivent combiner plusieurs stratégies. Un concept central abordé est la quantification de l'incertitude, distinguant l'incertitude épistémique (ignorance du modèle due à des données non vues) et l'incertitude aléatoire (bruit inhérent aux données).

Bien que philosophiquement séparées, la recherche montre que ces incertitudes sont souvent mathématiquement intriquées en pratique, ce qui complique une séparation nette. L'article souligne que comprendre ces compromis est essentiel pour construire des systèmes d'IA fiables qui savent quand faire confiance à leurs prédictions ou en douter.