Vous avez presque terminé ce cours, et j'espère qu'à ce stade, vous comprenez clairement que l'IA repose sur un certain nombre de méthodes mathématiques formelles qui nous permettent de trouver des relations dans les données et de former des modèles pour reproduire certains aspects du comportement humain. À ce moment de l'histoire, nous considérons l'IA comme un outil très puissant pour extraire des motifs des données et appliquer ces motifs pour résoudre de nouveaux problèmes.
Cependant, dans la science-fiction, nous voyons souvent des histoires où l'IA représente un danger pour l'humanité. Ces histoires sont généralement centrées sur une sorte de rébellion de l'IA, lorsque celle-ci décide de s'opposer aux êtres humains. Cela implique que l'IA possède une sorte d'émotion ou peut prendre des décisions imprévues par ses développeurs.
Le type d'IA que nous avons étudié dans ce cours n'est rien de plus que de l'arithmétique matricielle avancée. C'est un outil très puissant pour nous aider à résoudre nos problèmes, et comme tout autre outil puissant, il peut être utilisé à des fins bénéfiques ou néfastes. Il est important de noter qu'il peut être mal utilisé.
Pour éviter cet usage accidentel ou intentionnel de l'IA, Microsoft énonce les Principes importants de l'IA Responsable. Les concepts suivants sous-tendent ces principes :
- Équité est liée au problème important des biais des modèles, qui peuvent être causés par l'utilisation de données biaisées pour l'entraînement. Par exemple, lorsque nous essayons de prédire la probabilité qu'une personne obtienne un poste de développeur logiciel, le modèle est susceptible de privilégier les hommes - simplement parce que le jeu de données d'entraînement était probablement biaisé en faveur d'un public masculin. Nous devons équilibrer soigneusement les données d'entraînement et examiner le modèle pour éviter les biais, et nous assurer que le modèle prend en compte des caractéristiques plus pertinentes.
- Fiabilité et Sécurité. Par nature, les modèles d'IA peuvent commettre des erreurs. Un réseau de neurones retourne des probabilités, et nous devons en tenir compte lors de la prise de décisions. Chaque modèle a une certaine précision et un certain rappel, et nous devons comprendre cela pour prévenir les dommages que des conseils erronés pourraient causer.
- Confidentialité et Sécurité ont des implications spécifiques à l'IA. Par exemple, lorsque nous utilisons certaines données pour entraîner un modèle, ces données deviennent en quelque sorte "intégrées" dans le modèle. D'une part, cela augmente la sécurité et la confidentialité, d'autre part - nous devons nous rappeler quelles données ont été utilisées pour entraîner le modèle.
- Inclusivité signifie que nous ne construisons pas l'IA pour remplacer les gens, mais plutôt pour les augmenter et rendre notre travail plus créatif. Cela est également lié à l'équité, car lorsqu'il s'agit de communautés sous-représentées, la plupart des jeux de données que nous collectons sont susceptibles d'être biaisés, et nous devons nous assurer que ces communautés sont incluses et correctement prises en compte par l'IA.
- Transparence. Cela inclut le fait de s'assurer que nous sommes toujours clairs sur l'utilisation de l'IA. De plus, dans la mesure du possible, nous voulons utiliser des systèmes d'IA qui sont interprétables.
- Responsabilité. Lorsque les modèles d'IA prennent certaines décisions, il n'est pas toujours clair qui est responsable de ces décisions. Nous devons nous assurer que nous comprenons où se situe la responsabilité des décisions prises par l'IA. Dans la plupart des cas, nous voudrions inclure des êtres humains dans le processus de prise de décisions importantes, afin que des personnes réelles soient tenues responsables.
Microsoft a développé la Responsible AI Toolbox qui contient un ensemble d'outils :
-
Tableau de bord d'interprétabilité (InterpretML)
-
Tableau de bord d'équité (FairLearn)
-
Tableau de bord d'analyse des erreurs
-
Tableau de bord d'IA Responsable qui inclut :
- EconML - outil pour l'analyse causale, qui se concentre sur les questions hypothétiques
- DiCE - outil pour l'analyse contrefactuelle permettant de voir quelles caractéristiques doivent être modifiées pour influencer la décision du modèle
Pour plus d'informations sur l'éthique de l'IA, veuillez consulter cette leçon dans le programme d'apprentissage sur le Machine Learning, qui inclut des exercices.
Suivez ce parcours d'apprentissage pour en savoir plus sur l'IA Responsable.
Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction humaine professionnelle. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.