.. blogpost::
:title: FATE: Fairness, Accountability, Transparency, and Ethics
:keywords: FATE, éthique, fairness
:date: 2018-05-25
:categories: FATE
Le :ref:`l-ml2a-mlethical` est un sujet qui
revient sur le devant de la scène en témoigne cet article
`Microsoft is developing a tool to help engineers catch bias in algorithms `_
ou celui-ci
`Fairness Flow: Facebook builds new system for AI neutrality `_.
Voici quelques sites à suivre pour voir ce qu'il se
passe dans le domaine :
* `FATML `_ ou Fairness, Accountability, and Transparency in Machine Learning,
ce site est une excellente source d'article scientifiques sur le sujet.
* `Data&Society `_, publications d'articles ou rapports comme celui-ci
`Fairness in Precision Medicine `_
qui traite des biais qui peuvent survenir lorsqu'on adapte les décisions
médicales en fonction des données récoltées pour une personne
en particulier (*precision medecine*).
* `FATE `_, groupe de recherche sur
Fairness, Accountability, Transparency, and Ethics in AI chez :epkg:`Microsoft`
Je vous recommande toujours cette excellente conférence sur le sujet
qui montre qu'il est difficile d'anticiper tous les biais.
* `How AI Designers will Dictate Our Civic Future `_ de
`Latanya Sweeney `_,
je recommande vivement cette conférence qui montre comment des biais
peuvent apparaître dans un système intégrant le machine learning,
il n'existe pas de façon d'éviter les biais si ce n'est en gardant
constamment à l'esprit qu'ils apparaîtront quoiqu'il arrive
si un système est prévu pour s'adapter au fur et à mesure.
Le système apprend les biais et limite de plus en plus
tout ce qui pourrait l'en faire sortir.
Enfin quelques articles :
* `On Fairness, Diversity and Randomness in Algorithmic Decision Making `_
* `Ten simple rules for responsible big data research `_
* `Concrete Problems in AI Safety `_
* `Predict Responsibly: Increasing Fairness by Learning to Defer `_
* `Ethics by Design: necessity or curse? `_
* `Equality of Opportunity in Supervised Learning `_