L’équité dans l’intelligence artificielle

Ce module explore l’équité dans l’intelligence artificielle (IA), en mettant l’accent sur l’identification et la réduction des biais dans les systèmes d’IA. Il couvre les sources de biais, les méthodes d’évaluation et d’amélioration de l’équité, ainsi que les implications éthiques des décisions de l’IA sur différentes populations, visant à promouvoir l’égalité et à prévenir la discrimination dans les applications d’IA.

Bâtisseur de programmes d'études

Besoin d’aide ? Cliquez ici pour obtenir des instructions.

Angwin, Julia, Jeff Larson, Surya Mattu et Lauren Kirchner. « Biais de machine. » ProPublica, le 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 : une brève enquête », 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. « Données sociales : biais, pièges méthodologiques et limites éthiques. » 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. « Débiaiser la détection de la communauté : l’importance des nœuds faiblement connectés. » arXiv, 2019.

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

Fortunato, Santo et Darko Hric. « Détection de communauté dans les réseaux : un guide de l’utilisateur. » Rapports de physique 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 faire du shopping : réduire l’amplification des préjugés sexistes à l’aide de contraintes au niveau du corpus. » arXiv, 2017.

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

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman et Aram Galstyan. « Une enquête sur les biais et l’équité dans l’apprentissage automatique. » ACM Computing Surveys 54, n° 6 (13 juillet 2021) : 1 à 35.

https://doi.org/10.1145/3457607