Tout miser sur l'IA : préjugés et équité

Lorsque nous regardons les préjugés, nous prenons généralement en compte deux types : conscient (connu) et inconscient (inconnu). Il existe de nombreux domaines dans lesquels des préjugés peuvent être introduits tout au long du cycle de vie du système IA :  

L’efficacité des systèmes d’IA/AM repose sur la qualité des données d’entraînement. Bien que les données soient souvent considérées comme des « vérités fondamentales », elles demeurent une abstraction dans notre monde complexe. La production, la construction et l’interprétation des données reflètent les normes et pratiques sociales en constante évolution dans notre monde, les relations de pouvoir, les structures politiques, juridiques et économiques, ainsi que les intentions humaines.*

Les données non représentatives, concernant les populations impliquées ou les phénomènes modélisés, sont un problème courant entraînant des résultats biaisés ou injustes. 

Tout au long de l’histoire, les personnes marginalisées ont souvent été mal représentées dans les ensembles de données, en raison de leur accès limité aux soins de santé standard dans les systèmes de santé conventionnels. Par conséquent, la collecte de données de routine concernant leur état de santé et leurs activités est souvent manquante. Cela pourrait conduire à une analyse insuffisante de ces populations de patients par les systèmes IA.*  

Dans le secteur des sciences de la vie, les dossiers médicaux électroniques, les bases de données génomiques et les biobanques sous-échantillonnent souvent les personnes qui ont un accès irrégulier ou limité aux systèmes de santé, comme les minorités ethniques, les immigrants et les groupes défavorisés sur le plan socio-économique.*  

Et, même lorsque les ensembles de données sont représentatifs, ils peuvent encore refléter des préjugés historiques existants dans le monde.*   

Résoudre le manque de représentation dans les ensembles de données est une tâche difficile qui doit être traitée à la fois d’un point de vue technique et non technique. D’un point de vue non technique, nous traitons l’une des causes racines du manque de représentativité des données : souvent les communautés marginalisées se méfient du système de santé. Chez Sanofi, A Million Conversations est un projet mondial visant à rétablir la confiance dans les soins de santé dans les groupes ethniques minoritaires, en particulier les noirs, les femmes, les personnes handicapées et les communautés LGBTQ+.  

Tous les êtres humains sont influencés par leurs expériences de vie et leurs préférences. Les développeurs d’IA peuvent ajouter leurs propres préjugés conscients ou inconscients lorsqu’ils prennent des décisions sur la façon de construire un modèle IA. Par exemple, des indicateurs tels que le revenu ou le vocabulaire peuvent être utilisés par l’algorithme pour discriminer involontairement des personnes d’une certaine race ou d’un certain sexe.*

Chez Sanofi, les systèmes d’IA doivent faire l’objet d’une évaluation des risques, et potentiellement de plus de revues par l’organisme de gouvernance IA responsable. Si un système d’IA est évalué pour potentiellement conduire à des résultats discriminatoires, un plan d’atténuation des risques est mis en place pour s’assurer qu’il respecte nos principes d’entreprise sur l’IA responsable et les normes éthiques.  

Contrairement aux préjugés conscients, les préjugés inconscients sont difficiles à saisir au début (phase de conception) du développement de produits IA, mais ils peuvent être découverts une fois que le système IA est mis en pratique (phase opérationnelle). Sachant cela, nous avons l’intention d’y remédier en surveillant les systèmes d’IA pour rester vigilants face aux risques, saisir tout préjugé inconnu et mettre en action un plan d’atténuation pour maintenir la conformité à des normes strictes.  

Chez Sanofi, nous développons des modèles d’IA pour le diagnostic précoce de la maladie de Gaucher, une maladie génétique héréditaire rare. L’intention est de permettre une détection précoce de la maladie et une orientation rapide vers les professionnels de santé pour une évaluation, un diagnostic et une prise en charge appropriés.* Les développeurs adoptent une approche de conception consciente de l’équité : en divulguant les limitations des ensembles de données, en corrigeant les préjugés dans la mesure du possible et en détectant les limitations de l’IA grâce à des tests en situation réelle. 

Le parcours pour construire un modèle d’IA qui minimise raisonnablement les préjugés est un processus d’amélioration continue ; notre équipe de développeurs d’IA explore également différentes méthodes, telles que l’utilisation de données synthétiques, pour minimiser les préjugés. 

Chez Sanofi, nous savons que l’équité, la diversité et l’impartialité dans le développement de l’IA sont essentielles pour un avenir où les soins de santé sont véritablement inclusifs et accessibles à tous. Une technologie ne fonctionne pas si elle ne fonctionne pas pour tout le monde. Nous naviguons dans l’avenir de l’IA de manière responsable.