De quoi s'agit-il :
Si vous développez une IA et souhaitez réduire les biais, il est essentiel de clarifier ce que signifie réellement "équitable" pour votre système.
Voici le problème : il n'existe pas de définition unique de l'équité. Égalité des chances ? Parité démographique ? Précision égale ? Équité procédurale ? Ce ne sont pas seulement des concepts académiques ; ce sont des approches véritablement différentes, et optimiser l'une peut nuire à une autre.
Ce tableau vous aide à explorer ces quatre définitions, à comprendre les compromis et à faire un choix délibéré qui convient à votre contexte.
Ce qu'il vous permet d'accomplir :
Une définition claire et documentée de l'équité que toute votre équipe comprend et approuve. Fini les engagements vagues envers une "IA équitable" sans savoir ce que cela signifie réellement en pratique.
Vous repartirez avec une décision explicite et la logique qui la sous-tend. Cela peut être utilisé pour la conception, les tests et le perfectionnement.
Ceux qui en bénéficient le plus :
Les chefs de produit, les data scientists, les responsables de l'éthique de l'IA et les équipes interfonctionnelles construisant des systèmes d'IA, en particulier dans des domaines à enjeux élevés comme le recrutement, le crédit ou la santé, où une mauvaise approche de l'équité peut avoir de réelles conséquences pour de vraies personnes.
Comment l'utiliser :
Prévoyez 45 minutes pour votre première session. Passez en revue chaque définition de l'équité avec votre équipe, discutez honnêtement des arbitrages, et documentez votre choix.
Bonne nouvelle : cela devient votre base pour tous les futurs projets d'IA ; après cela, vous aurez seulement besoin de 15 minutes pour vérifier et confirmer qu'elle est toujours applicable.
Élément de la série d'ateliers sur l'atténuation des biais de l'IA (Tableaux 1 à 4).
