Les 9 nuances de l’IA
C’est important de comprendre les différents nuances de l’IA pour savoir de quoi en parle avec du l’IA washing et du Green washing.
1. L’IA éthique / Confiance
• Description : Résoudre les problèmes liés au déploiement non éthique de l’IA en assurant un alignement moral, notamment dans les systèmes d’aide à la décision, grâce à des lignes directrices éthiques et des ensembles de données diversifiés.
2. L’IA inclusive / Équité
• Description : Traiter l’exclusion dans les systèmes d’IA en concevant des solutions adaptées à des populations diverses, notamment dans les domaines de la santé ou de l’éducation, à l’aide de données représentatives et d’outils de conception inclusive.
3. L’IA frugale / Accessibilité (efficacité économique)
• Description : Répondre au manque de ressources dans les environnements à faible revenu en déployant des solutions d’IA qui utilisent peu de ressources informatiques et des algorithmes simplifiés.
4. L’IA for Good
• Description : Résoudre des problèmes épineux(pauvreté, climat, etc.) dans des contextes sociétaux grâce à des outils d’IA et une collaboration intersectorielle.
5. L’IA durable / sustainable AI
• Description : Réduire l’empreinte environnementale de l’IA dans des contextes nécessitant de fortes capacités informatiques, en privilégiant des ressources économes en énergie et des technologies écologiques. Plus large en scope que le Green AI
6. L’IA responsable / Réduction des risques
• Description : Limiter les risques liés aux mauvais usages de l’IA dans des contextes réglementés en utilisant des cadres de gouvernance et des outils d’évaluation des risques.
• Contexte : Popularisée par des géants technologiques comme Microsoft et Google à la fin des années 2010, l’IA responsable est devenue un cadre d’autorégulation face aux préoccupations croissantes sur l’usage abusif de l’IA (deepfakes, surveillance). Elle est proche de l’IA éthique, mais met l’accent sur la gouvernance pratique et la conformité.
7. Fair AI / Équité
• Description : Éliminer les biais des résultats d’IA dans des contextes tels que le recrutement ou la sécurité publique en utilisant des ensembles de données dé-biaisés et des indicateurs d’équité.
• Contexte : Variante plus ciblée de l’IA inclusive, l’IA équitable a gagné en visibilité après des études comme « Gender Shades » en 2018, révélant des biais discriminatoires dans les systèmes de reconnaissance faciale envers les femmes et les personnes de couleur. Elle relève d’une démarche technique et éthique dans les efforts d’inclusion plus larges.
8. Green AI / IA à faibles émissions
• Description : Réduire les émissions carbone liées à l’IA dans les contextes à forte intensité de calcul, grâce à des modèles et du matériel économes en énergie.
• Contexte : Introduit par Roy Schwartz dans un article en 2019, l’IA verte s’oppose à l’« IA rouge » (consommant beaucoup de ressources). Sous-ensemble de l’IA durable, elle met en lumière l’impact climatique de l’IA, alors que la sensibilisation aux enjeux environnementaux de la technologie augmente.
9. IA centrée sur l’humain / Bien-être
- Description : Renforcer l’autonomie humaine dans les interactions avec l’IA et augmenter les capabilités humaines.
• Contexte : Fondée sur les principes d’interaction humain-machine (IHM) des années 1980, ce concept a gagné en popularité spécifiquement dans l’IA dans les années 2020, soutenu notamment par Ben Shneiderman. Elle croise l’IA éthique et l’IA au service du bien commun, en mettant l’accent sur l’ergonomie et l’émancipation.
Pour que les organisations comprennent les enjeux de l’AI Act, c’est surtout important de retenir les 5 définitions suivantes:
- IA éthique
- IA responsable
- IA équitable (Fair AI)
- IA inclusive
- IA centrée sur l’humain
Discutons-nous de vos projets IA ?
