Processus bayésiens
Un processus bayésien désigne une méthode statistique qui met à jour une probabilité initiale (a priori) à mesure que de nouvelles observations arrivent, pour aboutir à une probabilité révisée (a posteriori). C’est le cadre général derrière l’inférence bayésienne : la connaissance antérieure sert de point de départ, chaque nouvelle donnée l’ajuste, et le calcul se révise en continu — un processus itératif plutôt qu’une prédiction figée à un instant T.
Deux modèles spécifiques dominent cette famille : les processus gaussiens et les processus de Dirichlet, utilisés notamment pour l’optimisation d’hyperparamètres ou la modélisation d’incertitude quand les données sont rares. Point de vigilance technique documenté : sur des problèmes à grand nombre de dimensions ou avec peu de contrôle statistique, le processus bayésien peut amplifier l’erreur du modèle a priori plutôt que de la corriger — un risque réel quand ces méthodes tournent sans validation par un spécialiste.
En RH, l’intérêt pratique rejoint celui de l’inférence bayésienne : ajuster une estimation (risque de départ, adéquation candidat/poste) progressivement, à mesure que de nouvelles données RH confirment ou contredisent la prédiction initiale — particulièrement utile sur un poste ou une population récente, où l’historique de données reste limité.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.