Cours d'introduction à l'IA responsable

Leçon 1 • Principes éthiques fondamentaux pour l'IA

Présente l’équité, la transparence, la responsabilisation et la protection de la vie privée comme piliers fondamentaux. Relie chaque principe à des décisions de conception concrètes.

Leçon 2 • Ce que les systèmes d'IA font en fait

Démystifie la façon dont les modèles d'IA traitent les entrées et produisent des sorties. Ancre l'analyse éthique ultérieure dans une compréhension technique précise.

Leçon 3 • Aperçu du cycle de vie de l’IA responsable

Aperçu de la façon dont les considérations relatives à la responsabilité s'appliquent à chaque étape, de la conception à la mise hors service. Établit la carte structurelle de l'ensemble du cours.

Leçon 4 • Pourquoi la responsabilité est importante en IA

Examine les préjudices concrets causés par un déploiement de l'IA non examiné. Motive la discipline de l'IA responsable comme une nécessité professionnelle.

Leçon 1 • Décisions contextuelles d'équité

Explique comment le contexte du domaine — embauche, prêt, soins de santé — influence la définition de l’équité appropriée. Permet de développer le jugement nécessaire aux décisions fondées sur des compromis concrets.

Leçon 2 • Stratégies d’atténuation à travers le pipeline

Présente les techniques de débiaisage en prétraitement, en cours de traitement et en post-traitement. Les apprenants sélectionnent les stratégies en fonction du contexte et des compromis acceptables.

Leçon 3 • Sources de biais dans l’IA

Retrace les origines des biais, des inégalités sociétales à la collecte de données jusqu'aux sorties des modèles. Établit que le biais est systémique, et non accidentel.

Leçon 4 • Définir et mesurer l'équité

Présente les définitions concurrentes de l'équité mathématique et leurs compromis. Les apprenants comprennent pourquoi aucune métrique unique ne satisfait simultanément tous les objectifs d'équité.

Leçon 1 • Limites et risques de l'explicabilité

Examine comment les explications peuvent induire en erreur, être contournées ou créer une fausse confiance. Développe un jugement critique sur le moment où les explications sont suffisantes.

Leçon 2 • Architectures de modèles interprétables

Examine les modèles intrinsèquement interprétables et leurs cas d'utilisation appropriés. Positionne l'interprétabilité comme un choix de conception, non comme une réflexion après coup.

Leçon 3 • Communiquer des explications aux parties prenantes

Traduit les explications techniques dans un langage adapté aux publics non techniques. Couvre la conception d'explications destinées aux opérateurs, aux utilisateurs finaux et aux organismes de réglementation.

Leçon 4 • Transparence versus explicabilité

Fait la distinction entre la transparence au niveau du système et l'explicabilité au niveau du modèle. Clarifie ce que chaque concept exige des développeurs et des déployeurs.

Leçon 1 • Paysage réglementaire pour les données d'IA

Examine les exigences mondiales en matière de protection des données et leurs implications pour le développement de l'IA. Les apprenants et apprenantes font correspondre les obligations réglementaires à des étapes spécifiques du pipeline.

Leçon 2 • Principes de confidentialité dans les contextes d'IA

Applique les concepts fondamentaux de confidentialité — minimisation, limitation des fins, conservation — aux pipelines de données d'IA. Établit la confidentialité comme une contrainte de conception.

Leçon 3 • Techniques de préservation de la vie privée

Présente la confidentialité différentielle, l'apprentissage fédéré et les données synthétiques comme mesures de protection techniques. Les apprenants évaluent le compromis entre confidentialité et utilité de chaque technique.

Leçon 4 • Cadriciels de gouvernance des données

Couvre les politiques, les rôles et les processus de gestion responsable des actifs de données. Positionne la gouvernance comme l'infrastructure organisationnelle de la confidentialité.

Leçon 1 • Structures de responsabilisation dans les organisations d'IA

Cartographie les rôles et les responsabilités tout au long de la chaîne de développement de l'IA. Prévient les lacunes en matière de responsabilité qui permettent aux préjudices de ne pas être traités.

Leçon 2 • Mécanismes de supervision humaine

Examine les conceptions humain-dans-la-boucle, humain-sur-la-boucle et humain-aux-commandes. Les apprenants font correspondre le niveau de supervision à la gravité du risque.

Leçon 3 • Responsabilité externe et vérification

Aborde les audits tiers, les inspections réglementaires et les mécanismes de reddition de comptes publics. Prépare les apprenants à interagir de façon constructive avec la surveillance externe.

Leçon 4 • Politiques, normes et contrôles internes

Couvre la conception de politiques internes en matière d'IA, de codes de conduite et de contrôles techniques. Traduit les principes éthiques en règles organisationnelles exécutoires.

Leçon 1 • Menaces et attaques adversariales

Examine les exemples antagonistes, l'empoisonnement des données et les attaques par extraction de modèle. Les apprenants comprennent les motivations des attaquants et les vulnérabilités des systèmes.

Leçon 2 • Pratiques de déploiement sécuritaire

Présente les déploiements progressifs, les interrupteurs d'arrêt et les mécanismes de repli en tant qu'infrastructure de sécurité. Applique les principes d'ingénierie de la sécurité au déploiement de l'IA.

Leçon 3 • Définir la sécurité et la fiabilité de l'IA

Distingue la sécurité, la robustesse et la fiabilité comme des propriétés connexes mais distinctes. Présente chacune comme une exigence de conception avec des critères mesurables.

Leçon 4 • Pratiques de test et de validation

Couvre les tests de charge, les exercices d'équipe rouge et les approches de vérification formelle. Établit le lien entre la rigueur des tests, le niveau de risque et le contexte de déploiement.

Leçon 1 • IA responsable dans les services financiers

Aborde l'équité dans la notation de crédit, la détection de fraude et le trading algorithmique. Applique les cadriciels de gouvernance aux cas d'utilisation réglementés de l'IA financière.

Leçon 2 • IA responsable dans le domaine de la santé

Examine les exigences en matière de sécurité, de confidentialité et de responsabilité pour les systèmes d'IA clinique. Établit un lien entre les principes d'une IA responsable et les résultats en matière de sécurité des patients.

Leçon 3 • IA responsable dans le secteur public

Couvre les exigences de responsabilisation et de transparence propres au déploiement de l'IA dans le gouvernement. Examine la légitimité démocratique et les exigences relatives à l'application régulière de la loi.

Leçon 4 • Raisonnement éthique interdomaines

Établit un processus décisionnel transférable pour les nouveaux dilemmes éthiques liés à l’IA responsable. Synthétise l’ensemble des principes du cours en une méthode unifiée de raisonnement éthique.

Leçon 1 • Opérationnaliser les processus d'IA responsable

Intègre des points de contrôle d'IA responsable dans les flux de travail existants de développement et d'approvisionnement. Empêche l'éthique de rester une fonction distincte et ignorée.

Leçon 2 • Bâtir une culture de l'IA responsable

Aborde les changements humains et organisationnels nécessaires pour soutenir une pratique responsable de l'IA. Couvre la formation, les mesures incitatives et l'engagement de la direction.

Leçon 3 • Mesurer et améliorer le programme

Établit des indicateurs clés de performance, des boucles de rétroaction et des cycles d'amélioration continue pour le programme d'IA responsable. Permet l'évolution du programme fondée sur des données probantes.

Leçon 4 • Concevoir un cadriciel d'éthique de l'IA

Guide l'élaboration d'un cadriciel d'éthique basé sur des principes concrets et adapté au contexte organisationnel. Relie les valeurs abstraites aux exigences opérationnelles.