Discrimination et Big Data
Auteur
Dr Michele Loi
University of Zurich and Milano Politecnico
Cette section examine le problème des a priori, de la discrimination et de l’iniquité dans l’apprentissage automatique. Le point principal de cette section est que la définition de ce qui est considéré comme un a priori ne relève pas seulement d’une question technique mais d’un choix normatif. Nous passons en revue certaines approches actuellement développées pour évaluer le choix d’une définition des a priori (ou de la discrimination, ou de l’iniquité) du point de vue normatif.
Recommandations
Les décideurs politiques devraient faire de l’équité une exigence pour la conception de systèmes algorithmiques impliquant des enjeux importants. La discrimination ne s’évite pas en évitant le traitement des informations relatives aux groupes. Ces données doivent pouvoir être collectées afin de vérifier l’équité des algorithmes. Les politiques anti-discrimination doivent être suffisamment souples pour permettre l’emploi de différentes normes statistiques dans différents cas d’utilisation.
A propos du livre blanc
- Download PDF
- Eleonora Viganò (Université de Zurich) – éditrice
- Mira Burri (Université de Lucerne)
- Markus Christen (Université de Zurich)
- Bernice Elger (Université de Basel)
- Christian Hauser (University of Applied Science of the Grisons)
- Marcello Ienca (EPFL)
- Michele Loi (Université de Zurich)
- Christophe Schneble (Université de Basel)
- David Shaw (Université de Basel)