Présentation

Les peurs face aux algorithmes et aux grands acteurs de l'intelligence artificielle sont-elles justifiées ? La conférence abordera, sur le plan scientifique, les raisons pour lesquelles l'analyse algorithmique comporterait bel et bien des risques de biais et de discriminations.

Les algorithmes s'immiscent de plus en plus dans notre quotidien à l'image des algorithmes d'aide à la décision (algorithme de recommandation ou de scoring), ou bien des algorithmes autonomes embarqués dans des machines intelligentes (véhicules autonomes). Déployés dans de nombreux secteurs et industries pour leur efficacité, leurs résultats sont de plus en plus discutés et contestés. En particulier, ils sont accusés d'être des boites noires et de conduire à des pratiques discriminatoires liées au genre ou à l'origine ethnique. L'objectif de cette conférence est de décrire les biais liés aux algorithmes et d'esquisser des pistes pour y remédier. Nous nous intéressons en particulier aux résultats des algorithmes en rapport avec des objectifs d'équité, et à leurs conséquences en termes de discrimination.

Trois questions seront abordées : Par quels mécanismes les biais des algorithmes peuvent-ils se produire ? Peut-on les éviter ? Et, enfin, peut-on les corriger ou bien les limiter ? Dans une première partie, nous décrirons comment fonctionne un algorithme d'apprentissage statistique. Dans une deuxième partie nous nous intéresserons à l'origine de ces biais qui peuvent être de nature cognitive, statistique ou économique. Dans une troisième partie, nous présenterons quelques approches statistiques ou algorithmiques prometteuses qui permettent de corriger les biais. Nous conclurons sur les principaux enjeux de société soulevés par les algorithmes d'apprentissage statistique tels que l'interprétabilité, l'explicabilité, la transparence, et la responsabilité.

Programme

14h00 : Intervention de Patrice Bertail, Professeur de mathématiques à l'Université Paris X Nanterre, laboratoire MODAL'X

Conclusion : Les principaux enjeux de société soulevés par les algorithmes d'apprentissage statistique tels que l'interprétabilité, l'explicabilité, la transparence et la responsabilité

Discussion avec un panel d'enseignants chercheurs de l'Université de Tours :
Pascal Favard, Professeur d'économie à l'Université de Tours, IRJI
François Fourment, Professeur de Droit privé, IRJI
et Vincent Perrollaz, Maître de conférences en mathématiques, Institut Denis Poisson

Entrée libre