Comment garantir un déploiement éthique des implémentations de l’IA ?

La croissance significative de l'automatisation et des technologies des machines (telles que l'intelligence artificielle et l'apprentissage automatique) a sans aucun doute apporté de nouvelles dimensions et de nouveaux niveaux de service aux organisations.

L’un des avantages que nous pouvons tous attendre de l’IA est la possibilité d’éliminer les préjugés d’origine humaine et d’améliorer la discrimination à l’égard des groupes minoritaires. Cependant, si elle n’est pas bien gérée, l’IA peut encore renforcer la discrimination en intégrant des biais dans ses algorithmes.

Aujourd'hui, ce sont souvent des machines qui décident si nous sommes admissibles à un prêt hypothécaire ou si nous sommes surveillés par les forces de l'ordre ou les compagnies d'assurance qui cherchent à lutter contre la fraude. Leur influence s'étend même au choix des annonces que vous voyez en ligne, y compris les offres d'emploi pour des emplois bien rémunérés.

Il existe de nombreuses organisations dans lesquelles l'IA dans les systèmes automatisés n'est pas bien documentée ou comprise. Il est temps que la prise de décision automatisée sorte de l’ombre et prenne ses responsabilités.

Lorsque les décisions automatisées ont un impact direct ou indirect sur la vie des gens et que les machines peuvent exercer une discrimination de manière néfaste, les organisations doivent se lever, en prendre note et prendre des mesures pour garantir que l’IA est mise en œuvre de la manière la plus éthique possible.

Première étape

Les entreprises et les organisations gouvernementales doivent s'efforcer d'obtenir le plus haut niveau de protection contre toute technologie de machine qu'elles déploient. Dès le début de tout projet d’automatisation, les organisations doivent mener une évaluation d’impact juridique, privée et éthique pour confirmer que les risques sont pleinement compris et peuvent être atténués de manière satisfaisante. Cela garantit également que la solution la plus appropriée est sélectionnée pour établir un niveau de risque acceptable tout en générant de la valeur.

L'approbation de ces évaluations doit être effectuée par une équipe d'examen objectif multidisciplinaire qui dispose d'un droit de veto sur tous les aspects problématiques du projet, y compris les méthodes de déploiement, les niveaux d'automatisation et les possibilités de recours. Le déploiement doit être un processus collaboratif entre les équipes de données/technologie et les équipes de direction de l'entreprise pour mettre en œuvre les meilleures pratiques éthiques en matière de données et d'analyse.

Déploiement

Certaines recommandations fortes sur les bonnes pratiques en matière de conception et de mise en œuvre de la technologie des machines sont présentées dans le rapport du Médiateur. Néanmoins, nous pensons que toutes les organisations ont l'obligation de prendre en compte au moins les meilleures pratiques suivantes :

• Équité Transparence Non-malfaisance Confidentialité Respect de l'autonomie et de la responsabilité Les considérations éthiques exigent que toute organisation mettant en œuvre une technologie de machine veille à ce qu'elle soit mise en œuvre avec les niveau de précision le plus élevé pour tous les groupes concernés ;
• Il existe un mécanisme pour expliquer toute décision basée sur les résultats du modèle ou du système
• Il existe des processus pour détecter et atténuer les résultats néfastes
• Les gens peuvent donner leur consentement éclairé pour participer ; le processus
• Mettre en place des mécanismes pour contester tout résultat jugé injuste.

Le développement et le déploiement de toute technologie de machine doivent être itératifs, en commençant par un examen éthique de l'exactitude basé sur des données historiques pour garantir des performances cohérentes sur l'ensemble de l'échantillon de population. Si certains groupes obtiennent des résultats nettement moins bons, davantage de données doivent être recherchées pour garantir une représentation adéquate de tous les groupes.

Lorsque des risques de conséquences néfastes sont identifiés, le déploiement doit être tout aussi itératif et prudent, en commençant par une solution humaine dans la boucle pour assurer une surveillance humaine tout en gagnant en confiance dans les performances du modèle ou du système.

Cela ne veut pas dire que le processus décisionnel humain est infaillible. Cela offre simplement la possibilité de comprendre et d’interroger le résultat avant le déploiement. Ce processus doit être effectué avec l'opérateur le plus fiable afin de réduire la possibilité de réintroduire des préjugés humains dans le processus. De plus, toutes les personnes impliquées dans le processus devraient suivre une formation sur les préjugés inconscients.

Une fois en production, la précision et les performances continues de toute technologie de machine doivent être mesurées et surveillées en permanence. Parallèlement aux KPI existants, cette performance doit être déclarable et visible dans toute l'organisation.

Révision

Toute organisation mettant en œuvre une prise de décision algorithmique doit disposer d'un processus d'examen éthique objectif qui inclut des considérations à la fois quantitatives et qualitatives. Les performances du modèle doivent être surveillées par rapport à ces mesures éthiques pour comprendre les anomalies de performance des groupes minoritaires et tout changement de performance au fil du temps. Le modèle peut ensuite être adapté et adapté en continu dans le cadre du processus opérationnel.

Bien que la mise en œuvre puisse sembler intimidante, les organisations doivent améliorer leur compréhension et leur mise en œuvre des considérations éthiques dans leurs projets d’IA et d’apprentissage automatique. Les entreprises doivent adopter une approche « problème-examiner-mesurer-améliorer » pour gérer les performances et l'impact de leurs décisions automatisées afin de garantir des résultats éthiques.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!