Ajout de la partir instutionel dans l'intro.

1 files changed, 5 insertions, 0 deletions

diff --git a/contexte/enjeux.tex b/contexte/enjeux.tex
index c82aed0..6ac661e 100644
--- a/contexte/enjeux.tex
+++ b/contexte/enjeux.tex
@@ -20,6 +20,7 @@ L'expressiosn de \textquote{remplire suffisamant bien la tâche} à toute son im
 Il revient donc aux personnes qui crée ces modèles de déterminer, en fonction du contexte d'application, l'erreur maximal que peut atteindre le modèle pour qu'il soit considéré comme viable et utilisable en production.
 
 \subsection{Equitée}
+\label{sec:contexte-eq}
 L'élborations de modèles est soumis à différent bias qui influencent son fonctionement~\cite{}.
 C'est à dire que le modèle se compre différamant pour différents sous-ensembles de la population.
 Cela peut donner lieu à des discriminations notament dans le modèle de décision qui influence directment la vie de persones.
@@ -27,7 +28,11 @@ La justice prédictive tel qu'utilisé aux Etats Unis en est un bon exemple.
 Dans ce cas, un modèle est utilisé pour prédire si un individu jugé coupable à un forte probabilité d'être récidiviste au non.
 En utilisant de tel modèle nous mesurons que les afro-américains (\textit{blacks}) son plus souvent predit comme ayant un forte chance d'être récidiviste que le reste de la population (\textit{whites})~\cite{}.
 
+Recrutement : l'IA peut rentirer les bias humains~\cite{al2021role}.
+
 \subsection{Explicabilitée}
+\label{sec:contexte-expl}
+Transparance dans la médecine, Boite noire, ~\cite{quinn2022three}.
 
 \subsection{Confidentialitée}
 D'une manière génèrale, l'inteligence artificielle brasse une quantité astronomique de données~\cite{}.