Éthique de l’IA : les principes qui façonnent le développement d’une IA responsable

Lorsqu’un système d’IA entre en production, de nombreux choix éthiques ont déjà été faits. Les données d’entraînement ont été sélectionnées, l’objectif a été défini, les métriques d’évaluation ont été choisies et le chemin d’accès a été approuvé. Un processus de repli peut exister ou non.

L’éthique de l’IA permet aux équipes d’examiner ces choix avant qu’ils ne soient définitivement intégrés à l’architecture. Elle permet de vérifier si le système respecte l'autonomie humaine, répartit équitablement les bénéfices et les préjudices, minimise les dommages prévisibles, protège la confidentialité et laisse suffisamment de preuves pour qu'une personne puisse comprendre ou contester un résultat.

L’éthique de l’IA est un domaine interdisciplinaire qui étudie les principes moraux guidant la conception, le développement et le déploiement des systèmes d’IA. Elle s’appuie sur l’éthique appliquée, la bioéthique, l’informatique, le droit, les droits de l’homme et les sciences sociales pour évaluer l’impact des systèmes d’IA sur les personnes, les organisations et la société.

Elle pose plusieurs questions fondamentales :

• Une personne devrait-elle pouvoir se soustraire à une décision pilotée par l'IA ? 

• Quels types de préjudices une équipe doit-elle tester avant le déploiement ? 

• Qui détient la responsabilité morale lorsqu’un modèle recommande une action mais qu’un processus métier l’exécute ? 

• Quels compromis sont acceptables lorsque la précision, la confidentialité, l’équité, la sécurité et la transparence divergent ?

L’éthique de l’IA est liée à l’IA responsable, à la gouvernance de l’IA et à la conformité de l’IA.

L’éthique de l’IA définit les principes. Elle établit les principes normatifs qu'un système doit respecter, tels que l'autonomie, la bienfaisance, la non-malfaisance, la justice et l'explicabilité.

L’IA responsable définit le modèle opérationnel. Elle traduit ces principes en pratiques concrètes, telles que des évaluations d’impact, des audits de biais, du red-teaming, de la documentation et des examens humains.

La gouvernance de l’IA définit la structure. Elle fixe les structures de responsabilité, les politiques, les dispositifs de contrôle, les processus d'approbation et de supervision afin que les pratiques d'IA responsable soient appliquées de manière cohérente.

La conformité de l’IA définit l’ensemble des obligations. Elle associe les systèmes d’IA, les usages des données et les processus opérationnels aux lois, réglementations, normes et politiques internes applicables, puis produit les preuves nécessaires pour démontrer le respect de ces exigences.

L’éthique de l’IA se situe en amont de l’IA responsable, de la gouvernance et de la conformité. Elle fournit aux organisations un fondement de principes pour définir ce que signifie « bien faire » dans un contexte d'IA donné ; la gouvernance et les pratiques opérationnelles de conformité déterminent ensuite comment ces décisions sont appliquées.

Découvrez l’avis de Christian Kleinerman, EVP of Product chez Snowflake, et de Jennifer Belissent, Principal Data Strategist chez Snowflake, sur l’éthique de l’IA :

De nombreux débats sur l’éthique de l’IA s’appuient sur des principes bien antérieurs à l’IA moderne, notamment les principes de bioéthique utilisés pour évaluer les décisions médicales, les pratiques de recherche et les obligations institutionnelles. Le cadre de référence largement cité de Luciano Floridi et Josh Cowls identifie cinq principes fondamentaux pour l’IA dans la société : la bienfaisance, la non-malfaisance, l’autonomie, la justice et l’explicabilité. Les quatre premiers sont issus de la bioéthique, tandis que l’explicabilité a été ajoutée pour répondre au besoin de comprendre les systèmes d’IA et d’en attribuer la responsabilité.

Autonomie

L’autonomie consiste à respecter la capacité d’action de l’être humain. Dans les systèmes d'IA, cela peut se traduire par une information claire et compréhensible des utilisateurs, la possibilité de se soustraire au système, l'exigence d'une révision humaine pour les décisions à fort impact, ou le fait d'éviter que l'automatisation ne réduise les options d'une personne sans explication.

Par exemple, un modèle de recrutement peut classer les candidats en fonction de données de performances historiques, mais l’autonomie exige bien plus qu’un classement techniquement précis. Un candidat ne doit pas être réduit à un simple score sans possibilité de corriger des données erronées, de demander un réexamen de sa candidature ou de comprendre l’impact du système sur son parcours.

Bienfaisance

La bienfaisance signifie que les systèmes d’IA doivent être bénéfiques. Ces bénéfices peuvent prendre la forme d’un meilleur accès, d’un service plus rapide, d’une productivité accrue, d’une détection améliorée ou de décisions plus cohérentes. Un modèle qui aide les cliniciens à identifier les lacunes dans les soins, oriente les demandes des clients vers la bonne équipe ou facilite la navigation dans les services publics peut servir des objectifs de bienfaisance, à condition que ces bénéfices soient réels, mesurables et partagés par les personnes concernées.

En pratique, la bienfaisance doit tenir compte des conséquences imprévues : Les équipes peuvent évaluer si le système améliore les résultats par rapport au processus qu’il remplace ou optimise. Toutefois, un système peut accroître l’efficacité globale tout en concentrant les risques sur un groupe restreint de personnes. C’est pourquoi la bienfaisance doit être mise en balance avec les autres principes.

Non-malfaisance

La non-malfaisance est souvent résumée par la formule « d’abord, ne pas nuire ». Pour l’IA, le préjudice peut être physique, financier, psychologique, réputationnel ou sociétal. Il peut résulter d’une recommandation dangereuse, d’un score discriminatoire, d’un jeu de données exposé, d’un modèle peu fiable dans un flux de travail à haut risque ou d’un chatbot qui fournit des instructions erronées avec assurance en dehors de son périmètre d’utilisation.

La non-malfaisance exige des équipes qu’elles identifient les préjudices prévisibles avant le déploiement et qu’elles surveillent ceux qui apparaissent en production. Cela inclut les défaillances des modèles, les usages abusifs, l’excès de confiance, les failles de sécurité et les effets en aval qui n’apparaissent pas nécessairement dans un ensemble de données de test.

Justice

La justice concerne la répartition équitable des bénéfices et des préjudices. Un système d’IA ne doit pas désavantager systématiquement un groupe en raison de critères protégés, de variables d’approximation, d’une qualité de données inégale ou de biais historiques ancrés dans les données d’entraînement.

Ce principe est directement lié au biais algorithmique. Un modèle de détection des fraudes peut s’avérer performant globalement, tout en générant des taux de faux positifs plus élevés pour certains segments de clientèle. Un modèle de santé peut sous-estimer les risques pour des groupes historiquement sous-traités. La justice exige d’évaluer les performances par sous-groupe, et non de se contenter d’une précision globale à l’échelle du système.

Explicabilité

L’explicabilité signifie que les systèmes d’IA doivent être suffisamment compréhensibles pour que les utilisateurs puissent les évaluer, les contester et les gouverner. Elle comprend l’explicabilité (la manière dont le système est parvenu à un résultat) et la responsabilité (qui répond du fonctionnement du système).

Pour un moteur de recommandation à faible risque, l’explicabilité peut se limiter à une information générale et à des rapports de performance interprétables. Pour une décision relative au crédit, à l'emploi, à la santé ou au secteur public, cela peut nécessiter une documentation plus détaillée, des explications sur les décisions, des voies de recours et des enregistrements d'audit.

À mesure que les systèmes d’IA sont passés des laboratoires de recherche aux processus métier, aux services publics et aux produits de grande consommation, les cadres éthiques se sont affinés. S’ils s’appuient toujours sur les principes fondamentaux mentionnés ci-dessus, ils les traduisent désormais en contrôles applicables par les équipes techniques, juridiques, de gestion des risques et métier.

Équité

L’équité signifie que les résultats de l’IA ne doivent pas être discriminatoires. Les équipes évaluent souvent l'équité à l'aide de mesures telles que la parité démographique, l'égalité des chances, les probabilités équilibrées et le calibrage, puis choisissent la métrique la plus adaptée à l'objectif et au profil de risque du système. Un indicateur ne remplace pas le jugement éthique, mais il permet de révéler si un modèle répartit les erreurs de manière inégale.

Transparence

La transparence signifie que les personnes savent quand l'IA est impliquée, ce que le système est censé faire, quelles données ou quels signaux il utilise et quelles sont ses limites. Pour les systèmes d’IA générative, la transparence peut inclure la mention indiquant que le contenu est généré par l’IA, la documentation des sources de récupération, les fiches de modèle, les résultats d’évaluation et les limites en matière de précision ou d’exhaustivité.

Responsabilité

La responsabilité signifie qu’une personne ou une organisation doit répondre du comportement du système. Un modèle peut générer une sortie, mais il ne peut pas approuver son propre déploiement, assumer un risque réglementaire, expliquer un incident à un client ni décider s’il convient de corriger un schéma préjudiciable. La responsabilité exige de désigner des responsables, de définir des processus d’escalade et d’accorder l’autorité nécessaire pour suspendre ou modifier le système.

Confidentialité

La confidentialité consiste à minimiser l’utilisation des données personnelles, à protéger les attributs sensibles, à respecter le consentement et à limiter l’utilisation secondaire. Dans les systèmes d’IA, la confidentialité peut impliquer la minimisation des données, des contrôles d’accès, des limites de conservation, l’anonymisation, le recours à des données synthétiques ou des techniques de confidentialité différentielle qui réduisent le risque d’exposer des informations sur des personnes physiques précises. 

Sécurité et fiabilité

La sécurité et la robustesse de l’IA signifient que les systèmes fonctionnent de manière fiable, tant dans des conditions prévues qu’imprévues. Un modèle doit être testé pour ses modes de défaillance, les entrées adversariales, la dérive, les sorties dangereuses et les comportements hors de son usage prévu. Le National Institute of Standards and Technology (NIST) décrit les caractéristiques d'une IA digne de confiance, notamment : la validité et la fiabilité ; la sécurité, la sûreté et la résilience ; la responsabilité et la transparence ; l'explicabilité et l'interprétabilité ; le renforcement de la confidentialité ; et l'équité avec gestion des biais préjudiciables.

Contestabilité

La contestabilité signifie que les personnes concernées par les systèmes d’IA peuvent contester les décisions et demander réparation. Ce principe est d’autant plus important lorsque l’IA influe sur l’accès à l’emploi, au crédit, au logement, aux soins de santé, à l’éducation, aux prestations publiques ou à d’autres décisions à fort impact. Un système contestable offre aux personnes un moyen de corriger leurs données, de demander une révision humaine et de comprendre les éléments qui ont déterminé le résultat.

Les cadres éthiques de l’IA varient selon l’institution, la juridiction et le public visé, mais beaucoup convergent vers des concepts similaires : les droits humains, l’équité, la transparence, la sécurité, la responsabilité et la supervision humaine.

Recommandation de l’UNESCO sur l’éthique de l’IA

La Recommandation de l’UNESCO sur l’éthique de l’intelligence artificielle a été adoptée en 2021 et est présentée par l’UNESCO comme la première norme mondiale sur l’éthique de l’IA. L’UNESCO précise que cette recommandation s’applique à ses 194 États membres. Elle place les droits humains et la dignité au centre des préoccupations, tout en accordant une attention particulière à la transparence, à l’équité et à la supervision humaine.

Le cadre de l’UNESCO est vaste, car il aborde l’IA sous l’angle social, économique et des droits humains, et non pas uniquement comme une question de gouvernance technique. Il couvre des domaines tels que les politiques publiques, l’éducation, la culture, le travail, l’environnement, l’égalité des genres et le développement. Il s’avère ainsi particulièrement utile pour les organisations qui doivent appréhender l’IA à l’échelle de plusieurs juridictions et groupes de parties prenantes.

Principes de l’OCDE sur l’IA

Les Principes de l’OCDE sur l’IA encouragent le développement d’une IA innovante, digne de confiance et respectueuse des droits humains et des valeurs démocratiques. Ces principes couvrent la croissance inclusive, le développement durable et le bien-être ; le respect des droits de l’Homme et des valeurs démocratiques, y compris l’équité et la confidentialité ; la transparence et l’explicabilité ; la robustesse, la sécurité et la sûreté ; ainsi que la responsabilité.

Pour les organisations, les principes de l’OCDE sont particulièrement utiles en raison de leur concision et de leur orientation politique. Ils établissent un cadre normatif pour une IA digne de confiance, tout en laissant une marge de manœuvre pour adapter la mise en œuvre en fonction du contexte, du risque et du secteur.

Lignes directrices de l’UE en matière d’éthique pour une IA digne de confiance

Les lignes directrices de l’UE en matière d’éthique pour une IA digne de confiance ont contribué à définir une approche européenne de l’IA, axée sur des systèmes licites, éthiques et robustes. Ces lignes directrices définissent des exigences clés : le facteur humain et la supervision ; la robustesse technique et la sécurité ; la confidentialité et la gouvernance des données ; la transparence, la diversité et l’équité ; le bien-être sociétal et environnemental ; ainsi que la responsabilité.

Ces lignes directrices ont également influencé les travaux réglementaires ultérieurs en Europe. Bien que le règlement de l’UE sur l’IA (EU AI Act) soit un cadre juridique et non un cadre éthique, il codifie de nombreuses préoccupations à dimension éthique en obligations concrètes concernant la gestion des risques liés à l'IA, la gouvernance des données, la transparence, la supervision humaine et la surveillance après commercialisation pour certains systèmes d'IA.

Série IEEE 7000

La série IEEE 7000 se concentre sur l’opérationnalisation de l’éthique dans l’ingénierie et la conception de systèmes. Elle permet aux équipes d'ingénierie d'intégrer les valeurs, les préoccupations des parties prenantes et les risques éthiques directement dans les exigences du système, plutôt que de traiter l'éthique comme une simple étape d'évaluation externe une fois les décisions de conception déjà arrêtées.

Pour les équipes d'IA, cela est précieux car de nombreux manquements éthiques commencent par des choix de produit ou d'architecture — quelles données sont collectées, quel résultat est optimisé, quels utilisateurs sont exclus des tests, quels journaux sont conservés et quel niveau d'explication est accessible aux personnes concernées.

États-Unis : Blueprint for an AI Bill of Rights

Le projet américain Blueprint for an AI Bill of Rights identifie cinq protections pour les systèmes automatisés : des systèmes sûrs et efficaces ; la protection contre la discrimination algorithmique ; la confidentialité des données ; l'information et l'explication ; et les alternatives humaines, l'examen par un humain et le processus de repli.

Ce projet de déclaration n’est pas une loi fédérale contraignante, mais il constitue une formulation utile de principes d’IA axés sur le respect des droits. Il est particulièrement pertinent pour les équipes qui conçoivent des systèmes ayant un impact sur l’éligibilité, les opportunités, l’accès ou les services essentiels.

Principes d'IA d'entreprise

De nombreuses entreprises technologiques ont publié des principes d’IA traitant de l’équité, de la sécurité, de la transparence, de la responsabilité, de la confidentialité et de l’intérêt humain. Les principes d’entreprise les plus utiles sont ceux qui s’avèrent assez précis pour orienter concrètement les décisions. Par exemple, affirmer que « l’IA doit être équitable » est moins utile qu’une politique exigeant une évaluation par sous-groupe avant le déploiement, une inscription au registre des modèles avec des cas d’usage approuvés, un processus d’escalade documenté pour les sorties préjudiciables et un responsable de la correction ayant l’autorité de suspendre le système.

L’éthique de l’IA n’est utile que lorsqu’elle fait évoluer les pratiques des équipes. Plusieurs pratiques aident les entreprises à passer des discours sur l’éthique à une exécution reproductible.

• Comités d’éthique : Les systèmes d'IA à fort impact bénéficient d'une évaluation avant déploiement par un groupe transversal capable d'évaluer l'objectif du système, les parties prenantes concernées, les préjudices prévisibles et les plans d'atténuation. Ce comité doit réunir des perspectives techniques, juridiques, de sécurité, de confidentialité, de gestion des risques et métier, avec un pouvoir clair pour approuver, rejeter ou exiger des modifications.

• Évaluations d’impact de l’IA : Une évaluation d’impact de l’IA documente l’utilisation prévue du système, les populations concernées, les sources de données, les avantages, les risques de préjudice, les mesures d’atténuation et les risques résiduels. Elle offre aux équipes un cadre structuré pour analyser les risques de préjudice pour les parties prenantes avant le déploiement. Elle permet également de créer un historique consultable lors des futures évolutions du système.

• Audits de biais : Les audits de biais associent des tests statistiques à une évaluation qualitative. Le volet statistique peut comparer les taux d’erreur, les faux positifs, les faux négatifs ou le calibrage entre différents sous-groupes. Le volet qualitatif cherche à déterminer si les données, les labels, les processus métier ou l’expérience utilisateur créent un préjudice qu’une simple mesure statistique ne permettrait pas de détecter. La traçabilité permet aux équipes de remonter des résultats jusqu’à des données d’entraînement potentiellement biaisées ou non représentatives.

• Red-teaming : Le red-teaming d’IA teste la résistance des systèmes face à des comportements adversariaux, dangereux ou imprévus. Pour l'IA générative, cela peut inclure l'injection de prompt, les contournements du système, les fuites de données, les instructions dangereuses ou les affirmations hallucinées. Pour l’IA prédictive, cela peut inclure les dérives de distribution, les tentatives de manipulation, les cas limites et les scénarios d’usage abusif.

• Consentement de l’utilisateur et divulgation : Les utilisateurs doivent savoir si l’IA intervient de manière significative dans une décision, une recommandation ou une interaction. Le consentement n’a de valeur que si les utilisateurs comprennent le fonctionnement du système, les données qu’il utilise et les alternatives disponibles.

• Réponse aux incidents et remédiation : Les manquements à l’éthique nécessitent des procédures de réponse immédiates, et pas seulement des analyses post-mortem. Un résultat préjudiciable, un modèle de décision biaisé, une fuite de données confidentielles ou une recommandation dangereuse doivent déclencher un tri, l’attribution des responsabilités, une communication avec les utilisateurs, une remédiation et une surveillance pour éviter toute récidive.

• Formation à l’éthique : Les équipes techniques ont besoin d’une formation à l’éthique appliquée qui relie les grands principes aux choix de conception. Qu’il s’agisse d’un développeur travaillant sur un pipeline de récupération, d’un data scientist sélectionnant des labels d’entraînement ou d’un product manager définissant des indicateurs de réussite, tous prennent des décisions qui peuvent avoir un impact sur l’équité, la confidentialité, l’autonomie et la sécurité.

C'est le fondement de l'éthique dès la conception : L’évaluation éthique est intégrée au cycle de vie de l’IA au lieu d’être ajoutée après le déploiement.

L’éthique de l’IA est un sujet complexe, car les différentes parties prenantes n’accordent pas le même poids aux mêmes principes. De plus, la bonne réponse dépend souvent du contexte. Plusieurs défis se posent aux entreprises qui tentent de mettre en œuvre des pratiques d’éthique de l’IA robustes. 

Le pluralisme des valeurs

Le pluralisme des valeurs signifie que la hiérarchisation des valeurs varie selon les personnes et les cultures. Par exemple, un système qui met l’accent sur la confidentialité individuelle peut restreindre l’accès aux données nécessaires à la sécurité collective. À l’inverse, un système conçu pour un accès élargi peut présenter des risques pour des groupes nécessitant une protection renforcée. Les entreprises d’envergure mondiale doivent pouvoir expliciter ces arbitrages plutôt que de supposer qu’une seule norme culturelle ou institutionnelle s’applique partout.

Conflits de principes

Les principes éthiques peuvent entrer en conflit les uns avec les autres. La bienfaisance peut encourager l’utilisation de davantage de données pour améliorer les résultats, tandis que la confidentialité exige de les limiter au strict minimum. La transparence aide les utilisateurs à comprendre un système, mais la sécurité peut restreindre le niveau de détail dévoilé sur sa mise en œuvre. De même, la sécurité peut imposer des restrictions qui réduisent l’autonomie de l’utilisateur. Le travail sur l’éthique consiste souvent à documenter et à encadrer ces conflits, et non à les éliminer.

«Ethics-washing»

«L’ethics-washing» (ou blanchiment éthique) se produit lorsqu’une entreprise publie des principes sans les appliquer concrètement. Une charte éthique n’empêche pas un modèle dangereux d’être mis en production. Pour cela, les équipes doivent définir des étapes de validation, des responsabilités claires, des exigences de preuve et des sanctions en cas de non-conformité.

Tensions propres à l’IA générative

L’IA générative a fait émerger de nouveaux conflits éthiques liés aux droits d’auteur, au consentement, au remplacement de la main-d’œuvre, à la désinformation, aux contenus dangereux et à l’équilibre entre libre accès et prévention des abus. La liberté de création peut entrer en conflit avec les droits de propriété intellectuelle. L’accès libre aux modèles peut soutenir la recherche et l’innovation, tout en augmentant le risque de double usage. L’automatisation peut améliorer la productivité tout en transformant les rôles professionnels plus rapidement que les entreprises ne peuvent former leurs collaborateurs.

Lacunes en matière d’application

L’éthique de l’IA n’est généralement pas contraignante en soi. Certaines juridictions ont commencé à inscrire dans la loi des principes liés à l’éthique, comme le fait le règlement européen sur l’IA pour certains systèmes d’IA à haut risque. Par ailleurs, des réglementations existantes comme le RGPD encadrent déjà la prise de décision automatisée, la confidentialité et l’utilisation des données. Cependant, de nombreuses obligations éthiques dépendent encore de la gouvernance des organisations, des normes d'acquisition, des règles sectorielles et de la responsabilité publique.

C'est notamment le cas en France, où la Commission Nationale de l'Informatique et des Libertés (CNIL) joue un rôle complémentaire. Elle a publié des recommandations sur l'IA, notamment sur les systèmes de notation des personnes, la prise de décision automatisée et les conditions d'un usage loyal des données d'entraînement. La CNIL est également compétente pour contrôler les traitements automatisés relevant du RGPD et peut prononcer des sanctions en cas de manquement. Pour les organisations opérant en France, ses lignes directrices constituent donc une référence pratique, complémentaire aux exigences du règlement européen sur l'IA, dont la CNIL est amenée à assurer la supervision nationale pour certaines catégories de systèmes.

L’éthique de l’IA est plus facile à appliquer lorsque ses principes se traduisent par des contrôles au niveau de la plateforme. Par exemple, une équipe qui développe un assistant d'IA générative doit savoir à quelles tables et colonnes l'assistant peut accéder, quelles politiques s'appliquent aux attributs sensibles, quelle version du modèle est approuvée, quels contrôles de sécurité filtrent les réponses dangereuses et qui peut examiner le lignage lorsqu'un résultat est contesté.

Le programme d’IA responsable de Snowflake aide à concrétiser les engagements éthiques dans le développement de ses propres solutions d'IA et fournit des approches reproductibles que les clients peuvent appliquer à leurs propres charges de travail d'IA. Dans Snowflake, ces approches associent les principes éthiques à la gouvernance, à la documentation et aux contrôles d’exécution.

Cortex Guard est conçu pour aider les équipes à appliquer des contrôles de sécurité aux résultats des LLM, notamment en filtrant certaines réponses inappropriées ou nocives générées par les modèles de langage. Les Cortex AI Guardrails sont conçus pour aider à réduire les risques associés aux attaques par injection de prompt et aux contournements du système dans les contextes pris en charge.

Snowflake Horizon Catalog fournit un contexte de gouvernance pour les workloads d’IA. Il aide les équipes à gérer et à comprendre les actifs de données, notamment le lignage, les tags, les politiques de masquage et la classification des données sensibles. Il apporte du contexte et de la gouvernance pour l’IA, notamment grâce à la classification des données sensibles, aux politiques de masquage basées sur des tags et à l’historique des accès pour les audits.

Snowflake Model Registry favorise la transparence et la responsabilité en aidant les équipes à gérer les modèles et leurs métadonnées dans Snowflake. Les propriétaires de modèles peuvent gérer les versions, les artefacts et les métadonnées, et l'interface de Snowflake affiche les métadonnées des versions de modèles, telles que les métriques.

Les principes éthiques sont plus faciles à appliquer de manière cohérente lorsque la plateforme permet de restituer les données pertinentes, d’appliquer les politiques d’accès, de documenter le comportement des modèles et de fournir une piste d’audit pour l’ensemble des workloads d’IA. La certification ISO/CEI 42001 de Snowflake apporte également une validation externe de son alignement sur les attentes émergentes en matière de gouvernance de l’IA.

Pour les organisations qui intègrent l’IA à leurs produits, à leurs opérations et à leurs processus décisionnels, l’éthique ne peut être dissociée de l’exécution. Elle doit déterminer quels systèmes sont déployés, lesquels nécessitent une supervision humaine et quels risques doivent être atténués. Elle définit également les registres à conserver lorsque des clients, des régulateurs ou des auditeurs internes demandent comment une décision a été prise. En fin de compte, la crédibilité des systèmes d’IA ne dépendra pas de leurs seules performances, mais de l’intégrité des décisions qui les sous-tendent.