Cet article présente un cadre d'estimation systématique de la quantification de l'incertitude (QI) afin d'évaluer la fiabilité des prédictions dans les modèles probabilistes d'apprentissage automatique. Plus précisément, nous nous concentrons sur le modèle à variables latentes à processus gaussien (GPLVM), qui approxime efficacement la distribution prédictive à l'aide d'un processus gaussien évolutif basé sur des caractéristiques aléatoires de Fourier. Ce modèle estime l'incertitude épistémique et aléatoire, dérive une formulation théorique de la QI et propose une méthode d'estimation basée sur l'échantillonnage de Monte-Carlo. Les expériences démontrent l'impact de l'estimation de l'incertitude, fournissent des informations sur les sources d'incertitude prédictive et démontrent l'efficacité de l'approche proposée.
