biblio biais. Rapport OMS

3 files changed, 71 insertions, 4 deletions

diff --git a/biblio.bib b/biblio.bib
index b8e60a8..6e5b65c 100644
--- a/biblio.bib
+++ b/biblio.bib
@@ -47,6 +47,9 @@ abstract = {Statistical algorithms can outperform human predictions of recidivis
   publisher={MDPI}
 }
 
+
+####################################
+#Médecine
 @article{gulshan2016development,
   title={Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs},
   author={Gulshan, Varun and Peng, Lily and Coram, Marc and Stumpe, Martin C and Wu, Derek and Narayanaswamy, Arunachalam and Venugopalan, Subhashini and Widner, Kasumi and Madams, Tom and Cuadros, Jorge and others},
@@ -68,6 +71,9 @@ abstract = {Statistical algorithms can outperform human predictions of recidivis
   publisher={Elsevier}
 }
 
+
+##################################
+#Recrutement
 @misc{fortune500,
     title={Fortune 500},
     howpublished={\url{https://fortune.com/ranking/global500/}},
@@ -103,6 +109,60 @@ abstract = {Statistical algorithms can outperform human predictions of recidivis
       primaryClass={cs.AI},
       url={https://arxiv.org/abs/2009.01534}, 
 }
+@article{Hardt2016equality,
+  author    = {Moritz Hardt and
+               Eric Price and
+               Nathan Srebro},
+  title     = {Equality of Opportunity in Supervised Learning},
+  journal   = {CoRR},
+  volume    = {abs/1610.02413},
+  year      = {2016},
+  url       = {http://arxiv.org/abs/1610.02413},
+  eprinttype = {arXiv},
+  eprint    = {1610.02413},
+  timestamp = {Tue, 26 Apr 2022 09:17:17 +0200},
+  biburl    = {https://dblp.org/rec/journals/corr/HardtPS16.bib},
+  bibsource = {dblp computer science bibliography, https://dblp.org}
+}
+
+@misc{Dwork2011fairness,
+  doi = {10.48550/ARXIV.1104.3913},
+  
+  url = {https://arxiv.org/abs/1104.3913},
+  
+  author = {Dwork, Cynthia and Hardt, Moritz and Pitassi, Toniann and Reingold, Omer and Zemel, Rich},
+  
+  keywords = {Computational Complexity (cs.CC), Computers and Society (cs.CY), FOS: Computer and information sciences, FOS: Computer and information sciences},
+  
+  title = {Fairness Through Awareness},
+  
+  publisher = {arXiv},
+  
+  year = {2011},
+  
+  copyright = {arXiv.org perpetual, non-exclusive license}
+}
+
+
+
+@inproceedings{10.1145/3278721.3278779,
+author = {Zhang, Brian Hu and Lemoine, Blake and Mitchell, Margaret},
+title = {Mitigating Unwanted Biases with Adversarial Learning},
+year = {2018},
+isbn = {9781450360128},
+publisher = {Association for Computing Machinery},
+address = {New York, NY, USA},
+url = {https://doi.org/10.1145/3278721.3278779},
+doi = {10.1145/3278721.3278779},
+abstract = {Machine learning is a tool for building models that accurately represent input training data. When undesired biases concerning demographic groups are in the training data, well-trained models will reflect those biases. We present a framework for mitigating such biases by including a variable for the group of interest and simultaneously learning a predictor and an adversary. The input to the network X, here text or census data, produces a prediction Y, such as an analogy completion or income bracket, while the adversary tries to model a protected variable Z, here gender or zip code. The objective is to maximize the predictor's ability to predict Y while minimizing the adversary's ability to predict Z. Applied to analogy completion, this method results in accurate predictions that exhibit less evidence of stereotyping Z. When applied to a classification task using the UCI Adult (Census) Dataset, it results in a predictive model that does not lose much accuracy while achieving very close to equality of odds (Hardt, et al., 2016). The method is flexible and applicable to multiple definitions of fairness as well as a wide range of gradient-based learning models, including both regression and classification tasks.},
+booktitle = {Proceedings of the 2018 AAAI/ACM Conference on AI, Ethics, and Society},
+pages = {335–340},
+numpages = {6},
+keywords = {multi-task learning, debiasing, adversarial learning, unbiasing},
+location = {New Orleans, LA, USA},
+series = {AIES '18}
+}
+
 
 
 
@@ -433,3 +493,10 @@ abstract = {This paper explores the use of metaphorical personification (anthrop
   publisher={Cambridge University Press}
 }
 
+@misc{oms,
+    title={Rapport de l'Organisation Mondiale de la Santé},
+    howpublished={\url{https://www.who.int/fr/news/item/28-06-2021-who-issues-first-global-report-on-ai-in-health-and-six-guiding-principles-for-its-design-and-use}},
+    author={OMS},
+    year={2021}
+}
+
diff --git a/contexte/ckoi.tex b/contexte/ckoi.tex
index 1ee19d2..36bbdc8 100644
--- a/contexte/ckoi.tex
+++ b/contexte/ckoi.tex
@@ -60,14 +60,13 @@ Aux Etats Unis l'IA est utilisé nottamant dans le système judiciaire.
 En utilisant des bases de données des crimes, les polices de plusieurs villes comme Los Angeles, New York ou Miami utilisent l'IA pour prédir où vont se produire les futures crimes.\cite{brayne2015predictive}
 Ces systeme peuvent aussi être complété par de la serveillance et prédiction de coup de feu~\cite{soundthinking}.
 De plus certain juges peuvent utiliser des \textit{Risk assessement instrument} (RAI), des outils qui permettent de prédire, à partir de fait sur la vie d'une personne jugé coupable, si elle a un fort risque d'être récidiviste ou non~\cite{zhiyuan2020limits}.
-Des suites de logiciels permettent d'integrer RAI, gestion administrative de l'affaire, enquête, prédiction de violation de libertée conditionelles, etc.~\cite{equivant}
+Des suites de logiciels permettent d'integrer RAI, gestion administrative de l'affaire, enquête, prédiction de violation de libertée conditionelles, etc dans des outils uniformisé avec une interface graphique simple qui ne demande pas de conaissance particulière en IA pour être utilisé.~\cite{equivant}
 
 %Hopitaux
 L'IA commence aussi à être utilisé pour des applications médicales avec la promesse de faciliter let d'accelerer la prise en charge des patients.
-
 Les technique de reconaissance d'image sont utilisé pour aider le diagnostique du cancer de la peau~\cite{dildar2021skin}.
 Les dermatologues ont à leur disposition des appareil photos spécialement concu pour que l'image obtenu des grains de beauté de leur patients soit la plus adapté possible à la détéction de cancer.
-Cela rend le diagnostique plus fiable que l'utilisation de smartphone avec une application~\cite{applicancer}.
+Cela rend le diagnostique plus fiable que l'utilisation de smartphone avec une application.
 La rétinopathie diabétique est une maladie qui peut causer la cécité chez les personnes diabétiques.
  La détéction de cette maladie à partire de photographie de la rétine est un autre domaine d'application de l'IA qui produit des résultat satisfaisant pour une utilisation clinique~\cite{gulshan2016development}.
 Cependant, utiliser l'IA pour prendre des décisions critiques pour les patients peut diminuer la qualitée de la relation entre médecin et patient, creer une dépendence nefaste de médecin à l'IA, tromper les patients dans des choix de fin de vie comme celui de prioriser la qualitée qe vie à la quantitée de vie~\cite{quinn2022three}.
@@ -79,7 +78,7 @@ En effet, face à l'affluence de candidature pour un poste publié sur internet,
 Ainsi, pour automatiser la selection de candidature raisonables et proche de la demande de l'employeur, divers produits proposent l'utilisation d'IA ~\cite{ore2022opportunities}.
 Le candidat, étant en position de faiblesse fasse à l'employeur, n'a pas le choix que de se soumeter à cette selection automatisée pour posutler.
 Reduire le facteur humain peut aider à atteindre des objectif de parité femme homme ou augmenter l'embauche des personnes en situation de handicape en retirant certain biais~\cite{al2021role}.
-Cependant cette idée ne fait pas consencus car l'IA à une fortetendence à reprouire les biais historiques~\cite{segal2021fairnesseyesdatacertifying}.
+Cependant cette idée ne fait pas consencus car l'IA à une fortetendence à reprouire les biais historiques~\cite{segal2021fairnesseyesdatacertifying,10.1145/3278721.3278779,Dwork2011fairness,Hardt2016equality}.
 Ces biais font partie des enjeux majeurs de l'IA que nous traiterons en Sections~\ref{sec:contexte-eq} et~\ref{sec:aia}.
 
 
diff --git a/contexte/strat.tex b/contexte/strat.tex
index e8c7047..830afb7 100644
--- a/contexte/strat.tex
+++ b/contexte/strat.tex
@@ -35,3 +35,4 @@ AUtres appels.
 \end{figure}
 
 \subsection{Attentes de l'IA}
+OMS rapport santé~\cite{oms}.