Code
CUFF HUM 3149
Niveau
L3
Population
1ère Année Management,1ère Année Télécom
Semestre
Fall
Domaine
Sciences humaines
Langue
Français/French
Crédits ECTS
2
Heures programmées
19,5
Charge de travail
40
Coordonnateur(s)
Département
- Langues et Sciences Humaines
Equipe pédagogique
Introduction
L’intelligence artificielle dans toutes ses applications est accompagnée d’une promesse de neutralité, souvent implicite. La notion de biais est insupportable tant l’intelligence artificielle est supposée dépasser les limites des êtres humains aux avis subjectifs et partiaux. Cependant, plusieurs scandales ont déjà largement entaché la douce utopie d’un monde objectivé par la machine, à l’instar des Public Safety Assessment et autres PredPol américains. Dans quelle mesure, dès lors, peut-on considérer que le biais est inhérent au concept d’intelligence artificielle ?
Au-delà de l’exploration des limites du tout algorithmique, ce cours offrira un nombre de bonnes pratiques de conscientisation des biais présents dans les outils numériques.
Acquis d'apprentissage
1.2 Analyser les faits et les mouvements sociétaux à travers des concepts et des méthodes des sciences humaines
Acquérir des connaissances sur les processus de mondialisation.
Comprendre l’articulation entre les enjeux sociaux contemporains et les enjeux méthodologiques en sciences sociales.
Analyser des débats contemporains, en s’appuyant sur des grilles de lectures fournies par la recherche en sciences sociales.
Contenu
1. Comprendre et accompagner les grandes transitions
Esquisser une analyse de la genèse socio-historique des enjeux contemporains et de différentes perspectives sur la mondialisation.
Travailler sur l’articulation entre les sciences sociales et les enjeux sociaux et politiques actuels.
Proposer une introduction à différentes notions et approches en sciences sociales qui nous aident à comprendre ces phénomènes.
Evaluation
"CC = 50% de la note finale
CF = 50% de la note finale
Les devoirs de CC auront lieu de préférence en milieu de semestre ou au plus tard un mois avant la fin de celui-ci.
Le contrôle final porte sur tous les cours du semestre (Moyenne = 50% le CF et 50% le dossier)
Le sujet du Contrôle Final sera disponible le jour même du contrôle.
Chaque absence injustifiée entrainera 1 point en moins sur la note de CC.
CF2 : La note finale de votre UV (composée de CF + CC + Présence et Participation) est plafonnée à 13 sur 20 après votre CF2, quelles que soit les notes qui la composent (excepté si votre absence au CF1 est justifiée, en ce cas le plafond ne s’applique pas). Pour rappel, la note de CF2 remplace UNIQUEMENT la note du CF1 : votre note de CC reste inchangée dans le calcul de votre note finale).
Le redoublement : celui ci ne peut prendre place que durant l’année académique suivant la création du passif (N+1), durant une période pré-définie qui est indiquée sur le calendrier académique. "
Pour plus d'informations, voir sur le blog LSH : https://lsh.imt-bs.blog/
"Chaque travail soumis pour notation dans le cadre de ce cours (individuellement ou en groupe ; à l’écrit ou à l’oral) doit être le fruit d’un travail de recherche, d’analyse, de réflexion et d’élaboration personnelle, sans l’aide d’outils d’IA génératives, telles que ChatGPT, Bard, Ernie, Midjouney, Dall-E, etc. Tout travail présentant des signes caractéristiques de tels usages, se verra attribuer une note de 0/20 au même titre que le plagiat et pourra être catégorisé comme fraude."
Approches pédagogiques
L’enseignement se décline sous forme de cours d’une durée d’une heure et demie. Le temps est réparti entre cours magistral et exposés en sous-groupes, suivis d’une discussion collective. Le cours magistral propose des repères sur les notions, les approches et leur genèse. Il s’appuie sur des recherches en sciences sociales et sur des matériaux de l’actualité (articles, extraits de films). Les exposés portent sur un thème et peuvent reposer sur un article. Le plan détaillé du cours indiquera les thèmes abordés et les ressources documentaires.
Programme
Programme grande école,Programme Ingénieur
Bibliographie
- Nora McDonald and Shimei Pan. 2020. Intersectional AI: A Study of How Information Science Students Think about Ethics and Their Impact. Proc. ACM Hum.-Comput. Interact. 4, CSCW2. https://doi.org/10.1145/3415218
- Gregory Falco, 2019. Participatory AI: Reducing AI Bias and Developing Socially Responsible AI in Smart Cities. 2019 IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC), pp. 154-158, https://doi.org/10.1109/CSE/EUC.2019.00038
- Yarden Katz. 2020. Artificial Whiteness: Politics and Ideology in Artificial Intelligence. Columbia University Press. https://doi.org/10.7312/katz19490
- Leah Windsor. 2022. Seeing the Forest and the Trees : AI Bias, Political Relativity, and the Language of International Relations. The Frontlines of Artificial Intelligence Ethics. Routledge. https://doi.org/10.4324/9781003030928-5
- Gina Neff and Peter Nagy. 2016. Automation, Algorithms, and Politics
Talking to Bots: Symbiotic Agency and the Case of Tay. International Journal of Communication, 10(0), 17. Retrieved from https://ijoc.org/index.php/ijoc/article/view/6277
- Grace Brainard. 2010. Disrupting implicit racial biases in the workplace: rethinking affirmative action in the wake of ricci v. destefano. Georgetown Journal of Law & Modern Critical Race Perspectives, 2(1), pp. 53-82
Plan du cours
Définition et placement de l’intelligence artificielle dans un contexte historique et scientifique.
Intersession 1 : Réflexion sur la notion de biais : trouver un exemple pour le cours n°2
2. Analyse de la notion de biais : bon biais, mauvais biais, d’où vient-il et comment intéragit-il avec les algorithmes ?
Intersession 2 : -
3. Biais dans les données (première partie) : caractérisation et impact
Intersession 3 : Lecture (à préciser) sur l’Affirmative Action
4. Etude de cas: Ricci v. DeStefano – illustration des conséquences juridiques du biais
Intersession 4 : Préparation d’une présentation très courte (2min) en groupe (taille à définir) sur un biais cognitif (distribution des sujets en fin de séance 4)
5. Biais dans les données (seconde partie) : le cas du Deep Learning
Intersession 5 : -
6. Les outils statistiques de lutte contre les biais (théorie)
Intersession 6 : Instructions sur la préparation de l’espace de travail numérique pour le cas pratique
7. Les outils statistiques de lutte contre les biais (cas pratique de mise en évidence de biais sur une base de données)
Intersession 7 : Rendu d’un rapport sur le cas pratique
8. Est-il souhaitable de débarrasser les algorithmes de tous biais ?
Intersession 8 : -
9. Etude de cas : « Tay » : Biais post-développement, quand l’algorithme est détourné
Intersession 9 : Instructions pour l’espace de travail du deuxième cas pratique
10. Cas pratique : créer le biais, détourner l’algorithme
Intersession 10 : Rendu d’un rapport sur le cas pratique
11. Intelligence artificielle et art : utopies et dystopies liées au biais
Intersession 11 : Lecture (à préciser) sur l’éthique
12. Intelligence artificielle et éthique
Intersession 12 : -
13. Conclusion : L’intelligence artificielle est-elle capable de neutralité ? Discussion conclusive autour des notions développées pendant le semestre