Cours d'introduction à l'IA responsable

Leçon 1 • Principes éthiques fondamentaux pour l'IA

Présente l'équité, la transparence, l'imputabilité et la confidentialité comme piliers fondamentaux. Relie chaque principe à des décisions de conception concrètes.

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

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 • Présentation du cycle de vie de l'IA responsable

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

Leçon 4 • Pourquoi la responsabilité est importante dans l'IA

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

Leçon 1 • Décisions d'équité contextuelles

Explique comment le contexte du domaine — embauche, prêt, soins de santé — détermine la définition d'équité appropriée. Développe le jugement pour les décisions de compromis concrètes.

Leçon 2 • Stratégies d'atténuation dans tout le pipeline

Présente les techniques de débiaisage en pré-traitement, en cours de traitement et en post-traitement. Les apprenants sélectionnent des 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 travers la collecte de données jusqu'aux sorties du modèle. Établit que le biais est systémique, non accidentel.

Leçon 4 • Définir et mesurer l'équité

Présente les définitions mathématiques concurrentes de l'équité et leurs compromis. Les apprenants comprennent pourquoi aucune mesure unique ne peut satisfaire simultanément tous les objectifs d'équité.

Leçon 1 • Limites et risques de l'explicabilité

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

Leçon 2 • Architectures de modèles interprétables

Passe en revue 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 les explications aux parties prenantes

Traduit les explications techniques dans un langage adapté aux publics non techniques. Couvre la conception d'explications pour les opérateurs, les utilisateurs finaux et les régulateurs.

Leçon 4 • Transparence versus explicabilité

Distingue la transparence au niveau du système de 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

Passe en revue les exigences mondiales de protection des données et leurs implications pour le développement de l'IA. Les apprenants cartographient les obligations réglementaires sur des étapes spécifiques du pipeline.

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

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

Leçon 3 • Techniques de préservation de la confidentialité

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

Leçon 4 • Frameworks de gouvernance des données

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

Leçon 1 • Structures d'imputabilité dans les organisations d'IA

Cartographie les rôles et responsabilités tout au long de la chaîne de développement de l'IA. Empêche les lacunes d'imputabilité qui permettent aux préjudices de ne pas être traités.

Leçon 2 • Mécanismes de surveillance humaine

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

Leçon 3 • Imputabilité et audit externes

Aborde les audits tiers, les inspections réglementaires et les mécanismes d'imputabilité publique. Prépare les apprenants à s'engager de manière constructive dans la surveillance externe.

Leçon 4 • Politiques, normes et mesures de sécurité internes

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

Leçon 1 • Menaces et attaques adversariales

Passe en revue les exemples adversariaux, l'empoisonnement des données et les attaques d'extraction de modèles. Les apprenants comprennent les motivations des attaquants et les vulnérabilités du système.

Leçon 2 • Pratiques de déploiement sécurisé

Présente les déploiements progressifs, les interrupteurs d'arrêt d'urgence et les solutions de repli comme infrastructure de sécurité. Applique les principes d'ingénierie de la sécurité au déploiement de l'IA.

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

Distingue la sûreté, la robustesse et la fiabilité comme des propriétés liées mais distinctes. Cadre chacune comme une exigence de conception avec des critères mesurables.

Leçon 4 • Pratiques de test et de validation

Couvre les tests de résistance, les tests d'intrusion (red-teaming) et les approches de vérification formelle. Relie la rigueur des tests au niveau de risque et au 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 frameworks de gouvernance aux cas d'utilisation d'IA financière réglementés.

Leçon 2 • IA responsable dans les soins de santé

Examine les exigences de sûreté, de confidentialité et d'imputabilité pour les systèmes d'IA clinique. Relie les principes d'IA responsable aux résultats de sécurité des patients.

Leçon 3 • IA responsable dans le secteur public

Couvre les exigences d'imputabilité et de transparence uniques au déploiement gouvernemental de l'IA. Examine la légitimité démocratique et les exigences de procédure régulière.

Leçon 4 • Raisonnement éthique transversal

Construit un processus de prise de décision transférable pour les nouveaux dilemmes d'IA responsable. Synthétise tous les principes du cours en une méthode de raisonnement éthique unifiée.

Leçon 1 • Opérationnaliser les processus d'IA responsable

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

Leçon 2 • Construire une culture d'IA responsable

Aborde le changement humain et organisationnel nécessaire pour soutenir une pratique d'IA responsable. Couvre la formation, les incitations et l'engagement de la direction.

Leçon 3 • Boucles de rétroaction

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

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

Guide la création d'un framework éthique allant des principes à la pratique, adapté au contexte organisationnel. Relie les valeurs abstraites aux exigences opérationnelles.