Cours sur les enjeux actuels en éthique et IA

Leçon 1 • Cartographie du paysage de l'éthique de l'IA

Présente les principaux acteurs, institutions et débats en cours qui façonnent l'éthique de l'IA à l'échelle mondiale. Prépare les étudiants à naviguer dans le discours éthique concret.

Leçon 2 • Contexte historique de l'éthique des technologies

Retrace les débats éthiques de l'automatisation industrielle à l'IA moderne. Situe les questions actuelles dans un arc plus long de perturbation technologique.

Leçon 3 • Qu'est-ce que l'éthique de l'IA

Définit l'éthique de l'IA comme une discipline et la distingue du droit et des politiques. Ancre le chapitre en établissant une terminologie partagée pour tous les sujets suivants.

Leçon 4 • Valeurs intégrées dans les systèmes d'IA

Examine comment les choix de conception encodent des valeurs dans les algorithmes et les pipelines de données. Relie l'éthique abstraite aux décisions d'ingénierie concrètes.

Leçon 1 • Stratégies d'atténuation et compromis

Couvre les techniques de débiaisage en prétraitement, en traitement et en post-traitement. Évalue les compromis entre précision et équité dans les contextes de déploiement.

Leçon 2 • Sources de biais algorithmique

Identifie comment le biais pénètre l'IA par la collecte de données, l'étiquetage et la conception de modèles. Ancre l'analyse de l'équité dans des origines techniques concrètes.

Leçon 3 • Attributs protégés et variables proxy

Examine comment la suppression d'attributs sensibles ne parvient pas à empêcher la discrimination via des proxies corrélés. Relie les concepts juridiques anti-discrimination aux réalités techniques.

Leçon 4 • Définir l'équité dans l'IA

Oppose les définitions statistiques de l'équité, notamment la parité démographique, l'égalisation des chances et la calibration. Révèle les compromis inhérents entre les définitions concurrentes.

Leçon 1 • Techniques d'explicabilité clés

Présente LIME, SHAP, les cartes de saillance et les arbres de décision comme outils pratiques. Relie les méthodes techniques aux exigences éthiques pour une explication significative.

Leçon 2 • Le problème de la boîte noire

Décrit l'opacité dans les modèles complexes et pourquoi elle est importante pour l'imputabilité. Établit les enjeux éthiques qui motivent la recherche sur l'explicabilité.

Leçon 3 • Construire une confiance justifiée dans l'IA

Relie les pratiques de transparence à une confiance humaine calibrée dans les systèmes d'IA. Synthétise le chapitre en liant l'explicabilité à des objectifs d'imputabilité plus larges.

Leçon 4 • Limites et risques des explications

Critique les explications trompeuses, incomplètes ou exploitables. Empêche une dépendance excessive à l'explicabilité comme solution éthique complète.

Leçon 1 • Techniques d'IA préservant la vie privée

Présente la confidentialité différentielle, l'apprentissage fédéré et les données synthétiques comme des garanties techniques. Fait le pont entre les principes éthiques et les solutions d'ingénierie.

Leçon 2 • Droits des données et contrôle individuel

Couvre les droits d'accès, de rectification, de suppression et de portabilité des données personnelles. Donne aux étudiants les moyens de concevoir des systèmes qui respectent les droits des utilisateurs en matière de données.

Leçon 3 • La vie privée comme valeur éthique

Présente la vie privée comme fondamentale pour l'autonomie, la dignité et la participation démocratique. Établit la base normative des droits des données dans les contextes d'IA.

Leçon 4 • Technologies de surveillance basées sur l'IA

Présente la reconnaissance faciale, le suivi comportemental et le profilage prédictif comme outils de surveillance. Relie les capacités techniques aux préoccupations relatives aux libertés civiles.

Leçon 1 • Mécanismes de recours et de réparation

Analyse comment les personnes concernées peuvent contester les préjudices causés par l'IA et demander réparation. Complète la chaîne d'imputabilité, de la gouvernance au recours individuel.

Leçon 2 • Lacunes de responsabilité dans les systèmes d'IA

Identifie comment le développement distribué crée des lacunes où aucun acteur n'est tenu pour responsable. Motive le besoin de structures d'imputabilité explicites.

Leçon 3 • Structures organisationnelles d'éthique de l'IA

Examine les comités d'éthique, les processus d'examen et l'équipe rouge comme outils de gouvernance interne. Relie la théorie de la gouvernance à la mise en œuvre organisationnelle pratique.

Leçon 4 • Frameworks de gouvernance de l'IA

Présente les approches de gouvernance basées sur les risques, sur les droits et spécifiques aux secteurs. Équipe les étudiants pour évaluer et appliquer des modèles de gouvernance dans leurs organisations.

Leçon 1 • Prévention des préjudices et conception sûre

Couvre les principes de conception sûre par défaut, les exigences de supervision humaine et les mécanismes d'arrêt d'urgence. Synthétise les connaissances sur les risques en stratégies de prévention actionnables.

Leçon 2 • Méthodologies d'évaluation des risques

Présente l'analyse des modes de défaillance, l'équipe rouge et l'évaluation probabiliste des risques pour l'IA. Équipe les étudiants pour mener des évaluations structurées des risques avant déploiement.

Leçon 3 • Contextes de déploiement à enjeux élevés

Analyse l'amplification des risques éthiques dans les soins de santé, la justice pénale et les infrastructures critiques. Applique les frameworks de risque aux domaines où les erreurs causent des préjudices graves.

Leçon 4 • Robustesse et fiabilité

Examine le décalage de distribution, les attaques adversariales et la dégradation des modèles comme menaces pour la sécurité. Relie la robustesse technique aux obligations éthiques de performance fiable.

Leçon 1 • Concevoir une supervision humaine efficace

Fournit des frameworks pour concevoir des mécanismes de supervision véritablement efficaces. Synthétise le chapitre en traduisant l'éthique de l'autonomie en conception de systèmes.

Leçon 2 • Spectre de l'autonomie de l'IA

Cartographie les systèmes d'IA, de l'aide à la décision à l'autonomie complète, et les enjeux éthiques à chaque niveau. Établit la plage conceptuelle pour la répartition de l'autorité humain-IA.

Leçon 3 • IA dans les décisions sociales conséquentes

Analyse l'utilisation de l'IA dans le recrutement, le crédit, la détermination des peines et l'allocation des prestations. Évalue quand l'automatisation compromet l'équité et les droits individuels.

Leçon 4 • Armes autonomes et IA létale

Examine les débats éthiques autour des systèmes d'armes létales autonomes et des lacunes d'imputabilité. Applique les principes d'autonomie au domaine de déploiement le plus conséquent.

Leçon 1 • IA, travail et justice économique

Analyse les effets distributifs de l'automatisation sur les travailleurs, les salaires et l'inégalité économique. Relie les décisions de déploiement de l'IA à des obligations plus larges de justice sociale.

Leçon 2 • Développer une stratégie éthique pour l'IA

Synthétise le contenu du cours en un framework stratégique pour le leadership organisationnel en éthique de l'IA. Équipe les étudiants pour promouvoir une IA éthique au niveau des systèmes.

Leçon 3 • Risques à long terme et existentiels de l'IA

Présente les arguments concernant le désalignement, le verrouillage des valeurs et le risque catastrophique de l'IA. Introduit les étudiants aux perspectives long-termistes et à leurs critiques.

Leçon 4 • Défis de la gouvernance mondiale de l'IA

Examine la compétition géopolitique, la fragmentation réglementaire et les lacunes de gouvernance dans l'IA. Prépare les étudiants à raisonner sur les défis de coordination internationale.