L’intelligence artificielle (IA) se diffuse partout dans notre quotidien, transformant des domaines comme les diagnostics médicaux, les transports, la finance ou la sécurité. Elle s’immisce de plus en plus dans nos prises de décision grâce à la collecte massive et à l’analyse de nos données, alimentant des algorithmes décisionnels et permettant d’influencer nos choix. Cette omniprésence soulève des questions éthiques et sociales importantes et impose une question complexe sans réponse facile : doit-on lui faire confiance ?
Avec le projet EQUIHid, nous étudions le potentiel de l’apprentissage fédéré pour rendre les services de santé plus équitables et respectueux de la vie privée. L’apprentissage fédéré permet d’entraîner un modèle d’intelligence artificielle de manière collaborative. Cela dans le but de répondre à un problème spécifique, comme l’analyse des images mammographiques pour la détection précoce du cancer ou l’évaluation de la présence du mélanome dans les images de lésions cutanées. Le modèle est entraîné sur une multitude de données de patientes, provenant de différents hôpitaux.
Des modèles d’IA qui reproduisent les inégalités
Imaginons un modèle conçu pour diagnostiquer le cancer de la peau, qui les détecte avec une précision remarquable chez les patients à la peau claire, mais dont l’efficacité s’effondre lorsqu’il s’agit de peaux plus foncées. On dit alors que le modèle n’est pas équitable, car il favorise injustement un groupe de patients par rapport à un autre. Comment ce phénomène peut-il se produire ?
La réponse réside dans les données utilisées pour entraîner ce modèle. Si ces données sont biaisées, en surreprésentant un certain type de patients, le modèle sera plus performant avec ce groupe, reproduisant ainsi le biais présent dans les données.
Si la base de données d’entraînement est majoritairement composée d’images de…
La suite est à lire sur: theconversation.com
Auteur: Nesrine Kaaniche, Associate professor, Télécom SudParis – Institut Mines-Télécom
