Comprendre et gérer les biais de l'IA

Aucun

• Identifier les différents types de biais (algorithmiques, cognitifs, sociaux, etc.) présents

    dans les systèmes d'IA.

• Comprendre leurs origines et leurs impacts sur les décisions et résultats des

    algorithmes.

• Apprendre à mesurer, corriger et prévenir les biais tout au long du cycle de vie des

    modèles d'IA.

1. Introduction aux biais dans l'IA

• Définition des biais algorithmiques et cognitifs.
• Enjeux éthiques et sociaux liés aux biais (discrimination, exclusion.

2. Types de biais

• Biais d’échantillonnage : surreprésentation ou sous-représentation de données.
• Biais de mesure : erreurs liées à la collecte des données.
• Biais historiques : reproduction des discriminations existantes dans les données.
• Biais de renforcement : amplification des erreurs par les décisions successives.
• Autres biais : confirmation, présentation, omission.

3. Études de cas : 

• Analyse de cas concrets (exemple : biais dans la reconnaissance faciale ou les systèmes de recrutement).
• Identification des sources de biais et leurs conséquences.

4. Méthodes pour gérer et réduire les biais

• Techniques de pré-processing : nettoyage et équilibrage des données.
• In-processing : ajustement des algorithmes pour réduire les discriminations.
• Post-processing : correction des résultats pour limiter l’impact des biais.

5. Sensibilisation et bonnes pratiques

• Intégration d’une approche éthique dès la conception.
• Formation des équipes aux enjeux liés aux biais dans l’IA.

• Présentations théoriques interactives.
• Ateliers pratiques pour identifier et corriger les biais.
• Discussions autour d’études de cas réels.
• Modalités : présentiel ou distanciel

Configuration de base (tableau blanc, tableau papier, vidéo projecteur, écran mural),
1 PC par apprenant – Accès internet.
La session de formation est ouverte aux personnes en situation d’handicap.
Une plateforme collaborative