Relève en intelligence et données - Axe éthique, confidentialité et acceptabilité sociale

14h40 - Présentation de Sylvain Auclair (en français)

Les limites actuelles de la protection juridique de la vie privée quant à l’usage des données personnelles disponibles sur le Web

L’analyse prédictive est maintenant utilisée pour inférer des attributs des personnes à partir de données disponibles sur Internet et pour influencer le comportement de ces personnes. Ces pratiques révèlent les limites de la protection juridique actuelle de la vie privée. Je m’intéresse à la façon dont le cadre légal pourrait être pensé, au-delà du contrôle individuel, afin de protéger les personnes des risques associés à l’analyse prédictive

15h - Présentation de Fabien Lechevalier (en français)

Fiducies de données : réinventer la gouvernance des renseignements personnels en s'inspirant de celle des communs

Inspirés par les travaux d’Elinor d’Ostrom sur les communs, nous réfléchissons à la manière dont ses réflexions pourraient influencer l’émergence d’un système de gouvernance durable des renseignements personnels en adaptant les notions et institutions fondamentales du droit civil. Une institution retiendra alors notre attention: la fiducie de données dont il conviendra d’étudier la structure et son adaptation au particularisme de notre objet. Nous souhaitons ainsi, dans cette présentation, proposer une troisième voie, entre l'État et le marché, celle d'un système de gouvernance durable basé sur la communauté.

15h20 - Présentation de Sandrine Blais-Deschênes (en français)

L'interprétabilité de l'IA : comment éviter de se faire passer un sapin

L’interprétabilité de l’intelligence artificielle est la propriété de comprendre pourquoi une décision est rendue. Incontournable dans les contextes de décision ayant un impact important sur la vie d’une personne, tels la santé et la sécurité, elle permet aussi de débusquer les risques de discrimination. En plus de distinguer les concepts d’interprétabilité et d’explicabilité, nous aborderons comment ce concept s’inscrit concrètement dans les algorithmes en s’appuyant sur les arbres de décision et les Set Covering Machine.

15h40 - Présentation de Changjian Shui (en anglais)

Algorithmic fairness: a framework for achieving faire and informative predictions

Algorithmic fairness is crucial in real-word decision-making systems such as automatic resume screening and credit scoring. An important aspect is to design an algorithm that preserves the data utility and remedies the prediction disparities. In this talk, I will present a practical framework to show that fair and informative predictors can be achieved simultaneously. I will further demonstrate the framework on two NLP datasets.