Revision sheet: Introduction à l'Intelligence Artificielle et Biais

📋 Plan du Cours

1. Algorithmes et intelligence artificielle
2. Algorithmes de prédiction
3. Biais de données
4. Bulle de filtre

📖 1. Algorithmes et intelligence artificielle

🔑 Notions clés & Définitions

• Algorithme : Un algorithme est une suite d’instructions qui sert à résoudre un problème ou réaliser une tâche.
• Intelligence artificielle : L’intelligence artificielle est un programme capable d’accomplir des tâches qui ressemblent à des capacités humaines, comme reconnaître, comprendre ou prédire.
• IA de reconnaissance : Une IA de reconnaissance est conçue pour identifier des éléments comme des images ou des voix à partir de données.

📝 Points essentiels

• L’IA repose sur des algorithmes qui traitent des données.
• Une IA peut reconnaître des images, comprendre du texte et faire des prédictions.
• Les IA peuvent se tromper, dépendre des données, et reproduire des biais.

💡 Astuce mémo

Algorithme = recettes d’étapes ; IA = recettes + expérience sur des données.

📖 2. Algorithmes de prédiction

🔑 Notions clés & Définitions

• Algorithme de prédiction : Un algorithme de prédiction essaie d’estimer un résultat futur à partir de données passées, sans connaître le futur.
• Données du passé : Les données du passé sont les informations utilisées pour apprendre des modèles et produire une estimation.
• Modèles de prédiction : Les modèles de prédiction sont les schémas cherchés dans les données pour relier entrées et résultat estimé.

📝 Points essentiels

• Un algorithme de prédiction cherche des modèles dans les données du passé pour proposer une prédiction.
• L’erreur est possible car le futur n’est pas connu par l’algorithme.
• Plus les données sont bonnes, plus la prédiction est fiable.

💡 Astuce mémo

Prédiction = passé → modèles → estimation (erreur possible).

📖 3. Biais de données

🔑 Notions clés & Définitions

• Biais de données : Un biais de données est un déséquilibre ou un préjugé présent dans les données d’entraînement d’une intelligence artificielle.
• Données non représentatives : Des données non représentatives sont des données qui ne reflètent pas correctement la diversité du monde réel.
• Stéréotypes dans les données : Les stéréotypes dans les données sont des croyances ou schémas injustes appris à partir d’exemples biaisés.

📝 Points essentiels

• Les données viennent des humains et du monde réel, donc elles peuvent contenir stéréotypes, erreurs et déséquilibres.
• Si les données ne sont pas représentatives, l’IA peut apprendre des choses fausses ou injustes.
• Les conséquences possibles sont des résultats injustes, la reproduction de stéréotypes et de mauvaises décisions.

💡 Astuce mémo

Biais de données → IA apprend ce qui est déjà déséquilibré.

📖 4. Bulle de filtre

🔑 Notions clés & Définitions

• Bulle de filtre : Une bulle de filtre est une situation où les plateformes montrent surtout des contenus proches de ce que l’utilisateur aime déjà.
• Algorithmes de recommandation : Les algorithmes de recommandation analysent ce que l’utilisateur regarde, aime, recherche et clique pour proposer des contenus similaires.
• Diversité d’opinions réduite : La diversité d’opinions réduite correspond au fait que l’utilisateur voit moins d’informations différentes ou contradictoires.

📝 Points essentiels

• Les plateformes utilisent des algorithmes pour analyser comportements et ensuite proposer des contenus similaires.
• Cette situation limite la vision du monde et peut renforcer des idées déjà présentes.
• Les algorithmes utilisant l’IA peuvent prédire ce que tu veux voir et te garder plus longtemps, renforçant la bulle.

💡 Astuce mémo

Tu cliques sur X → on te ressert X (et moins de Y).

⚠️ Pièges & confusions fréquents

1. Confondre algorithme et IA : l’IA est un programme qui s’appuie sur des algorithmes pour traiter des données.
2. Croire qu’un algorithme de prédiction connaît le futur : il ne fait qu’estimer à partir de données.
3. Penser que de bonnes performances viennent uniquement du modèle : la qualité et la représentativité des données comptent.
4. Rater le lien causal bulle de filtre → recommandations : ce sont tes comportements qui orientent les contenus affichés.

✅ Checklist Examen

1. Définir un algorithme comme suite d’instructions résolvant un problème.
2. Définir l’intelligence artificielle et citer au moins deux capacités (reconnaître, comprendre, prédire).
3. Expliquer le lien entre IA et algorithmes : l’IA fonctionne grâce à des algorithmes traitant des données.
4. Lister les limites générales de l’IA : possible erreur, dépendance aux données, reproduction de biais.
5. Définir un algorithme de prédiction comme une estimation du futur à partir de données passées.
6. Expliquer comment fonctionne la prédiction : données du passé, recherche de modèles, proposition d’une prédiction.
7. Dire pourquoi les prédictions peuvent être inexactes (le futur n’est pas connu).
8. Relier la fiabilité de la prédiction à la qualité des données utilisées.
9. Définir un biais de données comme un déséquilibre ou préjugé dans les données d’entraînement.
10. Expliquer pourquoi des biais existent : origine humaine et monde réel, avec stéréotypes, erreurs, déséquilibres.
11. Donner au moins deux conséquences des biais : résultats injustes, stéréotypes, mauvaises décisions.
12. Donner au moins deux actions pour réduire les biais : données variées/équilibrées, vérifier, corriger, tester sur différents groupes.
13. Définir une bulle de filtre comme un affichage centré sur ce que l’utilisateur aime déjà.
14. Décrire ce que les plateformes analysent (regardes, likes, recherches, clics) pour recommander.