Quiz: Critique des algorithmes de classification de genre — 5 questions

1. Comment doit-on appliquer la gestion biométrique des frontières face à l'identité des individus selon le concept présenté ?

A. Considérer que l'identité est fixe et parfaitement capturable par les données biométriques

B. Reconnaître que l'identité est incomplète et que l'identification biométrique ne peut totalement la représenter

C. Se fier uniquement aux frontières géographiques traditionnelles pour contrôler l'identité

D. Ignorer les différences sociales et culturelles dans la gestion biométrique

Answer: (B)

Explanation

Le texte souligne que l’identité n’est jamais totalement constituée et que l’identification biométrique ne peut réduire complètement l’écart entre identité réelle et représentation, ce qui implique de reconnaître cette limitation dans la gestion biométrique. À revoir : Indétermination de l'identité et de la vie des espèces. Appui du cours : « L’identité n’est jamais totalement constituée, et l’identification biométrique ne peut réduire complètement l’écart entre identité réelle et représentation. »

2. Comment les profils de risque encodés sont-ils utilisés pour gérer la mobilité des individus avant leur passage physique à la frontière ?

A. En se basant sur des entretiens physiques pour évaluer le risque de mobilité

B. En vérifiant l'identité uniquement après le passage physique à la frontière

C. En séparant les mobilités légitimes des mobilités illégitimes avant même la frontière physique

D. En recueillant des données biométriques uniquement lors de la rencontre physique

Answer: (C)

Explanation

Le texte indique que les profils de risque encodés permettent de prédire et prévenir des actes futurs en séparant les mobilités légitimes des illégitimes avant même la frontière physique, ce qui correspond à la première option. À revoir : Interconnexion des caractéristiques physiques et des systèmes d'information. Appui du cours : « Les profils de risque encodés sont utilisés pour prédire et prévenir des actes futurs en séparant, avant même la frontière physique, les mobilités légitimes (business, loisir) des mobilités illégitimes (terrorisme, immigration). »

3. Quelle est la conséquence de la diversité phénotypique, notamment la couleur de peau, sur les algorithmes de classification de genre ?

A. Elle affecte fortement les performances des algorithmes, soulevant des enjeux d’équité et de fiabilité

B. Elle réduit le besoin de bases de données diversifiées pour l’entraînement

C. Elle n’a aucun impact sur la fiabilité des classifications

D. Elle améliore la précision des algorithmes pour tous les types de peau

Answer: (A)

Explanation

Le texte précise que la diversité phénotypique, en particulier la couleur de peau, affecte fortement les performances des algorithmes, ce qui pose des problèmes d’équité et de fiabilité. Les autres options contredisent cette information. À revoir : Analyse automatisée du visage et classification de genre. Appui du cours : « Les performances des algorithmes de classification de genre sont fortement affectées par la diversité phénotypique, notamment la couleur de peau, ce qui soulève des enjeux d’équité et de fiabilité. »

4. Comment un développeur devrait-il ajuster l'utilisation d'un classificateur de genre commercial dans une application sensible pour minimiser les erreurs ?

A. Privilégier le classificateur Microsoft pour toutes les catégories démographiques sans ajustement

B. Éviter d'utiliser le classificateur pour les femmes à peau foncée en raison du taux d'erreur élevé

C. Appliquer le classificateur de manière uniforme sans distinction démographique

D. Utiliser le classificateur uniquement pour les hommes à peau claire, où la précision est la meilleure

Answer: (B)

Explanation

Le taux d'erreur atteint 34,7 % pour les femmes à peau foncée, ce qui justifie d'éviter ou de traiter avec prudence l'utilisation du classificateur pour ce groupe afin de minimiser les erreurs dans une application sensible. À revoir : Évaluation des performances des classificateurs de genre commerciaux. Appui du cours : « Les erreurs de classification sont plus fréquentes chez les sujets à peau foncée, en particulier pour les femmes, avec un taux pouvant atteindre 34,7 %, contre 0,8 % pour les sujets à peau claire. »

5. Comment améliorer la précision des algorithmes de classification de genre pour garantir l'égalité des chances entre différentes populations ?

A. En excluant les populations sous-représentées des données d'entraînement

B. En réduisant la taille des jeux de données pour se concentrer sur un groupe homogène

C. En augmentant la qualité et la diversité des données d'entraînement

D. En appliquant les mêmes algorithmes sans ajustements spécifiques

Answer: (C)

Explanation

La source indique que la performance dépend fortement de la qualité et diversité des données, donc améliorer ces aspects est nécessaire pour réduire les erreurs et garantir l'égalité des chances. À revoir : Conclusion sur la précision des algorithmes de classification de genre. Appui du cours : « La performance des systèmes dépend fortement de la qualité et de la diversité des données d’entraînement, ce qui peut conduire à des erreurs accrues pour des populations sous-représentées. »