Machine Learning éthique : limiter les biais algorithmiques

• Comprendre les origines et les impacts des biais algorithmiques dans les projets de machine learning
• Identifier les étapes critiques où des biais peuvent apparaître dans un modèle IA
• Mettre en place des pratiques de conception plus éthiques, transparentes et responsables

Data scientists, chefs de projet IA, analystes, développeurs, métiers impliqués dans des projets ML ou IA

Connaissances de base en machine learning et en traitement de données

• Comprendre les différents types de biais dans les systèmes de machine learning
• Identifier les sources de biais dans les jeux de données et les modèles
• Détecter les discriminations et erreurs systémiques dans les prédictions
• Mesurer l’équité des modèles grâce à des métriques et indicateurs adaptés
• Appliquer des techniques de réduction et de correction des biais
• Intégrer des contraintes d’équité dans les phases d’apprentissage des modèles
• Documenter les choix techniques et assurer la transparence des projets IA
• Utiliser des outils d’audit et d’explicabilité des modèles de machine learning
• Mettre en place une gouvernance responsable des systèmes IA
• Intégrer les enjeux réglementaires, éthiques et sociétaux dans les projets IA

• Identifier des biais dans un jeu de données ou dans des résultats de prédiction
• Comparer l’équité de plusieurs jeux de données selon différents critères
• Appliquer une méthode simple de correction ou de rééquilibrage des données

• Fiche synthèse des principaux types de biais algorithmiques et des risques associés
• Guide des outils open source pour auditer et expliquer les modèles IA
• Grille d’analyse éthique pour évaluer un projet de machine learning sensible