Demandez dès maintenant l'aide gratuite de notre Centre de services de cybersécurité

Demander un soutien gratuit en matière de cybersécurité

Participez au camp d'été sur la défense contre les ransomwares à Amsterdam, juin 2026

Participez à notre atelier d'été gratuit sur la défense contre les ransomwares

S'inscrire au cours en ligne sur les fondements de la cybersécurité et le AI

Apprendre en ligne les fondements de la cybersécurité et du AI

L'équité dans l'intelligence artificielle

Ce module explore l'équité dans l'intelligence artificielle (IA), en se concentrant sur l'identification et l'atténuation des biais dans les systèmes d'IA. Il couvre les sources de biais, les méthodes d'évaluation et d'amélioration de l'équité, et les implications éthiques des décisions de l'IA sur différentes populations, dans le but de promouvoir l'égalité et de prévenir la discrimination dans les applications de l'IA.

Bâtisseur de programmes d'études

Besoin d'aide ? Cliquez ici pour les instructions.

Angwin, Julia, Jeff Larson, Surya Mattu et Lauren Kirchner. "Machine Bias. ProPublica, 23 mai 2016.

https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

Grira, Nizar, et M. Crucianu. "Clustering non supervisé et semi-supervisé : A Brief Survey", 2004.

https://www.semanticscholar.org/paper/Unsupervised-and-Semi-supervised-Clustering-%3A-a-%E2%88%97-Grira-Crucianu/acb799150e4cd3a75fe79ca262047612bd8e5194

Olteanu, Alexandra, Carlos Castillo, Fernando Diaz, et Emre Kıcıman. "Social Data : Biases, Methodological Pitfalls, and Ethical Boundaries". Frontiers in Big Data 2 (11 juillet 2019) : 13.

https://doi.org/10.3389/fdata.2019.00013

Mehrabi, Ninareh, Fred Morstatter, Nanyun Peng et Aram Galstyan. "Détection de communauté de biais : The Importance of Lowly-Connected Nodes." arXiv, 2019.

https://doi.org/10.48550/ARXIV.1903.08136

Fortunato, Santo, et Darko Hric. "Détection de communautés dans les réseaux : A User Guide." Physics Reports 659 (2016) : 1-44.

https://doi.org/10.1016/j.physrep.2016.09.002

Zhao, Jieyu, Tianlu Wang, Mark Yatskar, Vicente Ordonez, et Kai-Wei Chang. "Les hommes aiment aussi le shopping : Reducing Gender Bias Amplification Using Corpus-Level Constraints" arXiv, 2017.

https://doi.org/10.48550/ARXIV.1707.09457

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman et Aram Galstyan. "A Survey on Bias and Fairness in Machine Learning". ACM Computing Surveys 54, no. 6 (13 juillet 2021) : 1-35.

https://doi.org/10.1145/3457607