Bibliothèque IA Responsable

Public : Tous niveaux ★ Introductif Mise à jour : Annuelle

Résumé exécutif

Ce glossaire rassemble 45 termes fondamentaux de l'IA responsable. Chaque entrée propose une définition rigoureuse, l'équivalent anglais, et un éclairage sur les débats conceptuels associés. Il constitue le socle terminologique de l'ensemble de la bibliothèque et privilégie les acceptions en usage dans l'écosystème académique montréalais et francophone.

AlgorithmeAlgorithm

Suite finie et ordonnée d'instructions permettant de résoudre un problème ou d'effectuer un calcul. En IA, désigne les procédures mathématiques permettant à un système d'apprendre à partir de données et de produire des résultats (prédictions, classifications, recommandations).

Débat · Les chercheurs en études des sciences et technologies (STS) contestent la réduction des algorithmes à des objets purement techniques, invitant à les analyser comme des assemblages sociotechniques intégrant choix de conception, données et contextes d'usage.

Gillespie, T. (2014). The relevance of algorithms. In Media Technologies, MIT Press. [pages à vérifier]

AlignementAlignment

Problématique visant à s'assurer que le comportement d'un système d'IA reste conforme aux intentions, valeurs et objectifs de ses concepteurs et de la société. Concerne tant les spécifications techniques que les dimensions éthiques.

Débat · « Aligné sur quelles valeurs, celles de qui ? » Les approches techniques comme le RLHF sont critiquées pour aligner les systèmes sur les préférences d'un groupe restreint d'annotateurs, soulevant des enjeux de représentativité et de pluralisme moral.

Apprentissage automatiqueMachine Learning (ML)

Sous-domaine de l'IA regroupant les méthodes permettant à un système d'améliorer ses performances sur une tâche à partir de données, sans programmation explicite. On distingue l'apprentissage supervisé, non supervisé et par renforcement.

Mitchell, T. (1997). Machine Learning, McGraw-Hill.

Apprentissage fédéréFederated Learning

Technique d'apprentissage où un modèle est entraîné de façon décentralisée sur plusieurs appareils, sans centraliser les données brutes. Seules les mises à jour du modèle sont partagées.

Débat · Réduit les risques de centralisation mais n'élimine pas tous les risques : des attaques par inférence sur les mises à jour peuvent permettre de reconstituer des données individuelles.

Apprentissage profondDeep Learning

Sous-ensemble de l'apprentissage automatique reposant sur des réseaux de neurones à nombreuses couches. À l'origine des avancées récentes en reconnaissance d'images, traitement du langage naturel et IA générative.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. — Yoshua Bengio (Mila, Montréal) est l'un des pionniers du domaine.

Audit algorithmiqueAlgorithmic Audit

Processus systématique d'examen d'un système algorithmique visant à évaluer sa conformité à des critères prédéfinis (équité, transparence, légalité, performance). Peut être interne ou externe, porter sur les données, le modèle ou les résultats.

Débat · L'absence de standards méthodologiques unifiés et le risque que l'audit devienne un exercice superficiel (ethics washing) font l'objet de critiques croissantes.

Biais algorithmiqueAlgorithmic Bias

Erreur systématique dans les résultats d'un système algorithmique produisant des traitements injustement différenciés pour certains groupes. Les biais peuvent provenir des données (représentation, biais historiques), de la conception du modèle ou de l'interaction avec le contexte d'usage.

Débat · Impossibilité mathématique de satisfaire simultanément plusieurs définitions de l'équité (parité démographique, égalité des chances, calibration). La correction des biais est autant un choix normatif que technique.

Mehrabi, N. et al. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6). [n° article à vérifier]

Biais de confirmationConfirmation Bias

Tendance cognitive à privilégier les informations confirmant les croyances préexistantes. En IA : choix de variables guidés par des attentes, survalorisation des résultats conformes, confiance excessive dans un système qui confirme des préjugés.

Biais de représentationRepresentation Bias

Biais survenant lorsque les données d'entraînement ne reflètent pas la diversité de la population ciblée. Particulièrement préoccupant pour les communautés historiquement sous-représentées (minorités linguistiques, communautés autochtones, populations du Sud global).

Boîte noireBlack Box

Système dont on observe les entrées et sorties mais dont le fonctionnement interne reste opaque. Les modèles d'apprentissage profond (millions ou milliards de paramètres) sont qualifiés de boîtes noires, posant des défis pour la transparence et l'imputabilité.

Débat · Tension entre explicabilité post hoc (LIME, SHAP) et modèles intrinsèquement interprétables. Cynthia Rudin argue que les modèles interprétables devraient être préférés dans les contextes à enjeux élevés.

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215.

Consentement éclairéInformed Consent

Principe éthique et juridique selon lequel une personne doit être informée de manière claire avant d'accepter que ses données soient collectées ou traitées. La Loi 25 du Québec renforce les exigences en la matière.

Débat · La fiction du consentement « éclairé » à l'ère du Big Data est questionnée : les individus acceptent des conditions qu'ils ne lisent pas, pour des usages qu'ils ne peuvent anticiper. Des alternatives émergent : consentement dynamique, fiducies de données (data trusts).

Données d'entraînementTraining Data

Ensemble de données utilisées pour entraîner un modèle d'apprentissage automatique. Leur qualité, représentativité et conditions de collecte déterminent en grande partie le comportement du modèle et constituent un vecteur majeur de biais.

Données synthétiquesSynthetic Data

Données générées artificiellement par des algorithmes plutôt que collectées à partir de sources réelles. Utiles pour augmenter des jeux de données ou protéger la vie privée, mais risquent de masquer l'absence de données réelles représentatives.

Droit à l'explicationRight to Explanation

Droit d'un individu à obtenir une explication compréhensible lorsqu'une décision le concernant est prise par un système automatisé. Évoqué dans le RGPD (articles 13-15, 22) et l'AI Act européen. Au Canada, le cadre juridique reste en développement.

Débat · L'existence et la portée exacte de ce droit dans le RGPD font débat. Questions pratiques : l'explication doit-elle être compréhensible pour un non-spécialiste ? Doit-elle révéler les mécanismes internes du modèle ?

Durabilité de l'IAAI Sustainability

Prise en compte de l'empreinte environnementale des systèmes d'IA : consommation énergétique de l'entraînement et de l'inférence, eau pour le refroidissement, empreinte carbone, extraction de matériaux. Inclut aussi la durabilité sociale et économique.

Débat · La course aux modèles toujours plus volumineux est remise en question. Tension entre performance et sobriété computationnelle.

Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. Proc. 57th Annual Meeting of the ACL. [pages à vérifier]

Équité algorithmiqueAlgorithmic Fairness

Propriété d'un système algorithmique qui n'opère pas de discrimination injuste envers des groupes définis par des attributs protégés. Plus de vingt définitions formelles existent, plusieurs étant mathématiquement incompatibles entre elles.

Débat · Chaque choix de métrique d'équité est un choix normatif. L'impossibilité de satisfaire toutes les définitions simultanément (sauf cas triviaux) est un résultat fondamental du domaine.

Éthique de l'IAAI Ethics

Champ interdisciplinaire examinant les enjeux moraux soulevés par la conception, le déploiement et l'utilisation des systèmes d'IA. Puise dans la philosophie morale, le droit, les sciences sociales, l'informatique et les STS.

Éthique de façadeEthics Washing / Ethics Theatre

Pratique par laquelle une organisation affiche un engagement éthique (principes, comités consultatifs, communications) sans modifier substantiellement ses pratiques. Peut servir à détourner les critiques ou retarder la régulation.

Débat · Le risque d'ethics washing nourrit les appels à passer d'une éthique « douce » (principes non contraignants) vers une gouvernance « dure » (régulations, audits obligatoires, certifications).

Évaluation d'impact algorithmiqueAlgorithmic Impact Assessment (AIA)

Processus structuré visant à évaluer, avant déploiement, les impacts d'un système de décision automatisée sur les droits fondamentaux, l'équité et la vie privée. Le gouvernement du Canada a développé un outil d'EIA pour les institutions fédérales. L'AI Act européen impose des évaluations pour les systèmes à haut risque.

ExplicabilitéExplainability / XAI

Capacité d'un système d'IA à fournir des explications compréhensibles de ses raisonnements ou décisions. On distingue l'explicabilité intrinsèque (modèles simples et interprétables) de l'explicabilité post hoc (outils appliqués après coup sur des modèles complexes).

Outils courants : LIME (Ribeiro et al., 2016), SHAP (Lundberg & Lee, 2017). Consultables sur Google Scholar.

Gouvernance algorithmiqueAlgorithmic Governance

Ensemble des structures, processus, normes et mécanismes encadrant la conception, le déploiement et la surveillance des systèmes algorithmiques au sein d'une organisation ou d'une société. Englobe les aspects juridiques, éthiques, techniques et organisationnels.

Hallucination (IA)AI Hallucination

Phénomène par lequel un modèle d'IA générative produit des contenus factuellement faux ou inventés tout en les présentant avec un degré apparent de confiance. Défi majeur pour la fiabilité des systèmes d'IA générative.

Débat · Le terme lui-même est contesté : il anthropomorphise le phénomène. Des alternatives comme « confabulation » ou « fabrication » sont proposées. Le débat porte aussi sur le caractère éliminable ou intrinsèque du phénomène.

IA de confianceTrustworthy AI

Concept cadre désignant une IA légale, éthique et robuste. Formalisé par le Groupe d'experts de haut niveau sur l'IA de la Commission européenne (2019) qui identifie sept exigences clés pour une IA de confiance.

IA générativeGenerative AI

Catégorie de systèmes capables de produire de nouveaux contenus (texte, images, audio, vidéo, code) à partir de modèles entraînés sur de vastes corpus. Enjeux : désinformation, droits d'auteur, intégrité académique, impacts environnementaux, transformation de l'emploi.

IA responsableResponsible AI

Démarche globale visant à ce que les systèmes d'IA soient développés et déployés dans le respect de principes éthiques et de droits fondamentaux. Intègre équité, transparence, imputabilité, vie privée, sécurité, durabilité et bien-être social. Se veut plus opérationnel que « éthique de l'IA ».

Débat · La notion de « responsabilité » est polysémique : responsabilité des développeurs, des organisations, des régulateurs ou des utilisateurs ? Le terme est aussi critiqué pour être devenu un label marketing vidé de substance dans certains contextes.

ImputabilitéAccountability

Obligation pour les acteurs impliqués dans un système d'IA de rendre compte de ses impacts et décisions. Suppose l'identification des responsables, des mécanismes de recours et la possibilité de sanctions. Rendu complexe par la multiplication des acteurs dans les chaînes de valeur de l'IA.

InterprétabilitéInterpretability

Degré auquel un humain peut comprendre le fonctionnement interne d'un modèle. Distinct de l'explicabilité post hoc : un modèle interprétable est transparent par conception (régression logistique, arbre de décision), tandis que l'explicabilité post hoc tente d'expliquer un modèle opaque après coup.

Justice algorithmiqueAlgorithmic Justice

Vision plus large que l'équité algorithmique technique : intègre les structures de pouvoir, les injustices systémiques et les dimensions distributives de la justice sociale dans l'analyse des systèmes algorithmiques.

Littératie en IAAI Literacy

Capacité d'un individu à comprendre, évaluer et interagir de façon critique avec les systèmes d'IA. Inclut la compréhension des principes de base, la capacité à identifier les biais et les limites, et l'aptitude à utiliser ces outils de manière responsable.

Modèle de fondationFoundation Model

Modèle d'IA entraîné sur de vastes quantités de données, adaptable à de nombreuses tâches en aval (GPT, Claude, LLaMA, etc.). Le terme a été proposé par des chercheurs de Stanford en 2021. Soulève des enjeux de concentration du pouvoir, de coûts environnementaux et de dépendance technologique.

Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM. [disponible sur arXiv]

Opacité algorithmiqueAlgorithmic Opacity

Impossibilité d'accéder au fonctionnement interne d'un système. Peut être technique (complexité du modèle), légale (secret commercial), ou intentionnelle (choix de conception). L'opacité est un obstacle central aux exigences de transparence et d'imputabilité.

Principes PCAP®OCAP® Principles

Propriété, Contrôle, Accès et Possession : principes affirmant la souveraineté des Premières Nations sur la collecte, la gestion et l'utilisation des données les concernant. Cadre de référence pour la gouvernance des données autochtones au Canada, développé par le Centre de gouvernance de l'information des Premières Nations (CGIPN).

Profilage algorithmiqueAlgorithmic Profiling

Construction automatisée de profils individuels à partir de données comportementales, transactionnelles ou biométriques. Utilisé en marketing, crédit, assurance, sécurité. Risques de discrimination, de surveillance et d'atteinte à la vie privée.

Protection des renseignements personnelsPersonal Data Protection

Cadre juridique encadrant la collecte, le traitement et la conservation des données personnelles. Au Québec : Loi 25 (Loi modernisant des dispositions législatives en matière de protection des renseignements personnels, entrée en vigueur progressive 2022-2024). Au fédéral : Loi sur la protection des renseignements personnels et les documents électroniques (LPRPDE) et projet de loi C-27.

Reconnaissance facialeFacial Recognition

Technologie d'identification de personnes par analyse du visage. Cas emblématique des biais raciaux et de genre en IA : des études ont documenté des taux d'erreur significativement plus élevés pour les personnes à la peau foncée et les femmes.

Buolamwini, J. & Gebru, T. (2018). Gender Shades. Proceedings of Machine Learning Research, 81, 1–15.

Responsabilité civile algorithmiqueAlgorithmic Liability

Question juridique de l'attribution de responsabilité en cas de préjudice causé par un système d'IA. Les cadres juridiques existants (fondés sur la faute ou la responsabilité du fait des produits) peinent à s'adapter à des systèmes autonomes et opaques.

RobustesseRobustness

Capacité d'un système d'IA à fonctionner correctement face à des perturbations, erreurs d'entrée ou attaques adverses intentionnelles. Un système robuste maintient ses performances et sa fiabilité en dehors de ses conditions d'entraînement idéales.

Souveraineté des donnéesData Sovereignty

Droit d'un État ou d'une communauté à gouverner les données produites sur son territoire ou par ses membres. Enjeu central pour les communautés autochtones (cf. PCAP®) et pour les nations face à la domination des géants technologiques étrangers.

Souveraineté numériqueDigital Sovereignty

Capacité d'un État à exercer son autorité dans l'espace numérique et à maintenir son autonomie face aux dépendances technologiques. Enjeu pour les universités face à l'utilisation d'infrastructures et d'outils propriétaires de grandes entreprises technologiques.

Système de décision automatiséeAutomated Decision System (ADS)

Système utilisant l'IA pour prendre ou assister des décisions affectant des individus (octroi de crédit, admissions, prestations sociales, etc.). Soumis à une réglementation croissante dans plusieurs juridictions. La Directive sur la prise de décisions automatisée du gouvernement du Canada encadre leur usage dans les services fédéraux.

Traitement du langage naturelNatural Language Processing (NLP)

Sous-domaine de l'IA traitant de la compréhension et de la génération du langage humain. Au cœur de l'IA générative textuelle et des grands modèles de langage. Soulève des enjeux de biais linguistiques et de sous-représentation des langues minoritaires.

Transparence algorithmiqueAlgorithmic Transparency

Capacité de rendre visible et compréhensible le fonctionnement, les données d'entraînement, les objectifs et les impacts d'un système algorithmique. Pilier de l'IA de confiance et condition nécessaire (mais non suffisante) de l'imputabilité.

Valeurs par conceptionValue-Sensitive Design (VSD)

Approche méthodologique visant à intégrer les valeurs éthiques et humaines dès la phase de conception d'un système, plutôt qu'en aval. Développée notamment par Batya Friedman à l'Université de Washington. Parente de la démarche « IA responsable by design ».

Friedman, B., Hendry, D. G., & Borning, A. (2017). A survey of value sensitive design methods. Foundations and Trends in Human–Computer Interaction, 11(2), 63–125. [volume à vérifier]

Vie privée différentielleDifferential Privacy

Technique mathématique ajoutant du bruit calibré aux données ou aux résultats de requêtes pour garantir qu'aucune information individuelle ne puisse être extraite, tout en permettant l'analyse statistique agrégée. Utilisée notamment par Apple et le Census Bureau américain.

Virage numérique responsableResponsible Digital Transformation

Démarche d'intégration des principes éthiques, de durabilité et de responsabilité sociale dans la transformation numérique des organisations, incluant le déploiement de systèmes d'IA.

🔬 Zoom sur l'écosystème montréalais

Montréal est un pôle mondial de la recherche en IA et en éthique de l'IA. Plusieurs termes de ce glossaire ont été façonnés ou enrichis par des travaux issus de cet écosystème :

Apprentissage profond — Yoshua Bengio (Mila, Université de Montréal), prix Turing 2018, est l'un des trois pionniers du domaine.
Déclaration de Montréal (2018) — Processus délibératif inédit ayant produit des principes pour un développement responsable de l'IA, sous la direction de l'Université de Montréal.
IVADO — Institut de valorisation des données, consortium montréalais soutenant la recherche et la formation en science des données et IA.
OBVIA — Observatoire international sur les impacts sociétaux de l'IA et du numérique, basé à l'Université Laval mais impliquant des chercheurs montréalais. [statut actuel à vérifier]
Mila — Institut québécois d'intelligence artificielle, l'un des plus importants centres de recherche en apprentissage profond au monde.

Points clés à retenir

Le vocabulaire de l'IA responsable est interdisciplinaire : les mêmes termes ont des acceptions techniques, juridiques et éthiques qu'il importe de distinguer.
De nombreux concepts clés font l'objet de débats non résolus (équité, alignement, explicabilité) — il n'existe pas de consensus unique.
L'écosystème montréalais a contribué de manière significative à la structuration de ce champ, tant sur le plan scientifique que normatif.
La terminologie évolue rapidement : un glossaire de l'IA responsable nécessite une mise à jour régulière.
La traduction français-anglais n'est pas toujours stabilisée ; les équivalents proposés ici reflètent l'usage académique francophone courant.

Questions de réflexion

Pourquoi est-il important de distinguer les acceptions techniques, juridiques et éthiques d'un même terme comme « biais » ou « transparence » ?
Le terme « hallucination » appliqué à l'IA est-il approprié ? Quels effets le choix de ce vocabulaire a-t-il sur la perception publique de ces technologies ?
L'impossibilité de satisfaire simultanément toutes les définitions de l'équité algorithmique est-elle un problème technique ou un problème politique ?
Comment la souveraineté des données (étatique, autochtone, individuelle) peut-elle être conciliée avec les modèles économiques actuels de l'IA ?

Références bibliographiques

Bommasani, R. et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford CRFM. Disponible sur arXiv.

Buolamwini, J. & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81, 1–15.

Gillespie, T. (2014). The relevance of algorithms. In T. Gillespie, P. Boczkowski & K. Foot (Eds.), Media Technologies. MIT Press. [pages à vérifier]

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.

Mehrabi, N. et al. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6). [n° article à vérifier]

Mitchell, T. (1997). Machine Learning. McGraw-Hill.

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215.

Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. Proc. 57th Annual Meeting of the ACL. [pages à vérifier]

Friedman, B., Hendry, D. G., & Borning, A. (2017). A survey of value sensitive design methods. Foundations and Trends in HCI, 11(2), 63–125. [volume à vérifier]

Bases de données recommandées pour vérification : Google Scholar, JSTOR, CAIRN, Érudit, ACM Digital Library, sites officiels des institutions citées.

Suggestion de mise à jour : Annuelle. Le vocabulaire de l'IA responsable évolue rapidement avec les avancées technologiques et réglementaires.

⚠️ Note méthodologique : Ce document a été généré avec assistance IA. Toutes les références marquées [À VÉRIFIER] doivent être confirmées avant usage académique ou institutionnel. Les informations réglementaires et statistiques sont susceptibles d'avoir évolué. Consultez les sources primaires avant toute citation ou diffusion officielle.

Public : Cycles supérieurs, chercheurs, administrateurs ★★ Intermédiaire Format : Synthèse comparative (5-7 pages)

Résumé exécutif

Depuis 2017, une prolifération de déclarations, principes et lignes directrices en matière d'IA éthique a émergé à travers le monde. Ce document présente les quatre cadres normatifs les plus influents, analyse leurs convergences et divergences, et met en valeur le rôle pionnier de Montréal dans la structuration de ce champ. Une étude recensait dès 2019 plus de 80 ensembles de principes éthiques pour l'IA à l'échelle mondiale.

Contexte : une effervescence normative mondiale

L'émergence rapide de l'IA comme technologie transformatrice a suscité un mouvement mondial de réflexion éthique. À partir de 2016-2017, des organisations internationales, des gouvernements, des entreprises et des communautés académiques ont multiplié les déclarations de principes. Jobin, Ienca et Vayena (2019) ont recensé 84 documents de ce type, identifiant cinq principes récurrents : transparence, justice/équité, non-malfaisance, responsabilité et vie privée.

Ce panorama se concentre sur quatre cadres particulièrement influents et pertinents pour le contexte académique québécois et canadien.

Les quatre cadres majeurs

🍁 Déclaration de Montréal pour un développement responsable de l'IA (2018)

Origine : Université de Montréal · Type : Déclaration citoyenne · Juridiction : Non contraignante, portée internationale

Issue d'un processus délibératif citoyen inédit lancé en novembre 2017, la Déclaration de Montréal est le fruit de consultations publiques ayant impliqué des citoyens, chercheurs, entreprises et organismes publics. Elle a été officiellement présentée en décembre 2018.

10 principes : Bien-être · Autonomie · Protection de la vie privée et de l'intimité · Solidarité · Participation démocratique · Équité · Inclusion de la diversité · Prudence · Responsabilité · Développement soutenable

Particularité : sa méthodologie participative et citoyenne, unique au moment de sa publication. Contrairement aux déclarations émanant d'experts ou d'organisations, elle intègre les préoccupations de non-spécialistes.

Influence : a servi de référence pour plusieurs initiatives ultérieures et a contribué au rayonnement international de Montréal comme pôle d'IA éthique. Citée dans de nombreux travaux académiques et institutionnels.

🌐 Principes de l'OCDE sur l'intelligence artificielle (2019)

Origine : OCDE · Type : Recommandation du Conseil · Juridiction : 38 pays membres + adhérents · Réf. : OECD/LEGAL/0449

Adoptée en mai 2019, la Recommandation du Conseil de l'OCDE sur l'IA constitue le premier standard intergouvernemental en la matière. Le Canada a joué un rôle actif dans son élaboration. Ces principes ont également été endossés par les pays du G20 en juin 2019.

5 principes : Croissance inclusive, développement durable et bien-être · Valeurs de respect des droits de l'homme et d'équité · Transparence et explicabilité · Robustesse, sécurité et sûreté · Responsabilité

Particularité : cadre intergouvernemental le plus largement adopté. Accompagné de recommandations politiques concrètes pour les gouvernements (investissement, environnement numérique, coopération internationale).

Influence : cadre de référence pour de nombreuses politiques nationales. L'Observatoire des politiques de l'IA de l'OCDE (OECD.AI) assure le suivi de la mise en œuvre.

🏛 Lignes directrices de l'UE pour une IA digne de confiance (2019) et AI Act (2024)

Origine : Commission européenne · Type : Lignes directrices (2019) + Règlement contraignant (2024) · Juridiction : UE

Le Groupe d'experts de haut niveau sur l'IA (AI HLEG) a publié en avril 2019 des lignes directrices identifiant sept exigences clés pour une IA de confiance. Ces principes ont ensuite alimenté le processus législatif ayant conduit à l'AI Act, adopté en 2024, qui constitue le premier cadre réglementaire contraignant dédié à l'IA au monde.

7 exigences (lignes directrices 2019) : Action humaine et contrôle humain · Robustesse technique et sécurité · Respect de la vie privée et gouvernance des données · Transparence · Diversité, non-discrimination et équité · Bien-être sociétal et environnemental · Responsabilité

Particularité de l'AI Act : approche par niveaux de risque (inacceptable, haut risque, risque limité, risque minimal). Premier passage d'une approche volontaire (principes) à une approche contraignante (régulation) avec sanctions financières.

Influence : l'AI Act est en train de devenir un standard de facto mondial (« effet Bruxelles »), influençant les cadres réglementaires en développement dans d'autres juridictions.

📜 Recommandation de l'UNESCO sur l'éthique de l'intelligence artificielle (2021)

Origine : UNESCO · Type : Recommandation normative · Juridiction : 193 États membres · Adoptée : novembre 2021

Premier instrument normatif mondial sur l'éthique de l'IA, adopté par les 193 États membres de l'UNESCO en novembre 2021. Il s'agit du cadre le plus inclusif géographiquement, intégrant les préoccupations des pays en développement et des communautés marginalisées.

10 principes : Proportionnalité et innocuité · Sécurité et sûreté · Équité et non-discrimination · Durabilité · Droit à la vie privée et protection des données · Supervision et décision humaines · Transparence et explicabilité · Responsabilité et obligation de rendre des comptes · Sensibilisation et éducation · Gouvernance et collaboration multipartites

Particularité : attention particulière aux pays en développement, aux inégalités Nord-Sud et aux enjeux environnementaux. Inclut des domaines d'action politique concrets (éducation, culture, santé, économie, environnement).

Influence : cadre de référence pour les politiques nationales des pays n'ayant pas encore développé leur propre cadre. Outil de plaidoyer pour les pays du Sud global.

Analyse comparative

Dimension	Montréal (2018)	OCDE (2019)	UE (2019/2024)	UNESCO (2021)
Nature	Citoyenne	Intergouvernementale	Réglementaire	Normative mondiale
Contraignant	Non	Non (soft law)	Oui (AI Act)	Non (soft law)
Méthodologie	Délibération citoyenne	Comité d'experts	Experts + processus législatif	Négociation multilatérale
Équité	✓	✓	✓	✓
Transparence	✓	✓	✓	✓
Imputabilité	✓	✓	✓	✓
Durabilité env.	✓ (développement soutenable)	✓ (croissance inclusive)	✓ (bien-être env.)	✓ (durabilité)
Participation	✓ (principe central)	Limitée	Limitée	✓ (gouvernance multipartite)
Enjeux Nord-Sud	Faible	Limités	Non prioritaire	✓ (priorité)

Convergences

Les quatre cadres convergent sur un noyau commun de principes : transparence, équité/non-discrimination, imputabilité/responsabilité, et respect de la vie privée. Cette convergence a été documentée par Jobin et al. (2019) et suggère l'émergence d'un consensus normatif mondial de base.

Divergences

Les cadres divergent sur plusieurs dimensions significatives. La force juridique varie du volontaire (Montréal, OCDE) au contraignant (AI Act). La méthodologie de production diffère : délibération citoyenne (Montréal) vs. expertise technique (OCDE, UE) vs. négociation diplomatique (UNESCO). L'attention aux inégalités mondiales est inégale : centrale chez l'UNESCO, marginale dans les autres cadres. Enfin, la participation démocratique comme principe à part entière est spécifique à la Déclaration de Montréal.

🔬 Zoom sur le leadership montréalais

La Déclaration de Montréal (2018) se distingue par sa méthodologie délibérative citoyenne, pionnière à l'époque. Plusieurs de ses principes — notamment la participation démocratique et le développement soutenable — ont anticipé des préoccupations qui ne seront formalisées dans les cadres internationaux que plus tardivement. Montréal a ainsi contribué à structurer le débat mondial avant que les grandes organisations intergouvernementales ne s'en emparent.

Ce leadership se manifeste aussi dans l'infrastructure de recherche : Mila, IVADO, et les universités montréalaises ont produit des travaux influents sur l'équité algorithmique, l'explicabilité et la gouvernance de l'IA qui alimentent directement ces cadres normatifs.

Limites et critiques transversales

Prolifération sans mise en œuvre : la multiplication des déclarations de principes (plus de 160 recensées en 2023 selon certaines estimations [chiffre à vérifier]) n'a pas nécessairement conduit à des changements de pratiques. Le risque d'ethics washing est réel.

Déficit d'opérationnalisation : les principes abstraits (« équité », « transparence ») sont difficiles à traduire en exigences techniques et organisationnelles concrètes. L'écart entre principes et pratiques (principles-to-practice gap) est un enjeu de recherche actif.

Représentativité : malgré l'ambition inclusive de l'UNESCO, la majorité des cadres ont été élaborés par des acteurs du Nord global, avec une sous-représentation des perspectives du Sud, des communautés autochtones et des populations les plus affectées par les systèmes d'IA.

Passage au contraignant : l'AI Act européen marque une transition vers la régulation contraignante. Ce passage soulève des débats sur l'équilibre entre protection et innovation, et sur la capacité des cadres réglementaires à suivre le rythme de l'évolution technologique.

Points clés à retenir

Un consensus normatif mondial émerge autour de cinq principes fondamentaux (transparence, équité, responsabilité, vie privée, bien-être).
La Déclaration de Montréal a été pionnière par sa méthodologie citoyenne et ses principes de participation démocratique et de développement soutenable.
L'AI Act européen marque le passage de l'éthique volontaire à la régulation contraignante.
Le défi majeur reste l'opérationnalisation : traduire les principes en pratiques concrètes.
La représentativité des voix du Sud global et des communautés marginalisées demeure insuffisante.

Questions de réflexion

La prolifération des déclarations de principes est-elle un signe de progrès ou de procrastination ? Manque-t-il des mécanismes de mise en œuvre ?
Le modèle délibératif citoyen de la Déclaration de Montréal est-il reproductible à l'échelle internationale ? Quels en seraient les défis ?
L'approche réglementaire de l'UE (AI Act) est-elle un modèle pour le Canada, ou le contexte nord-américain appelle-t-il une approche différente ?
Comment assurer que les perspectives du Sud global et des communautés autochtones soient mieux intégrées dans les cadres normatifs futurs ?

Références bibliographiques

Déclaration de Montréal pour un développement responsable de l'intelligence artificielle (2018). Université de Montréal. Site officiel de la Déclaration.

Groupe d'experts de haut niveau sur l'IA (2019). Lignes directrices en matière d'éthique pour une IA digne de confiance. Commission européenne.

Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399.

OCDE (2019). Recommandation du Conseil sur l'intelligence artificielle. OECD/LEGAL/0449. Site de l'OCDE.

Règlement (UE) 2024/1689 du Parlement européen et du Conseil établissant des règles harmonisées en matière d'intelligence artificielle (AI Act). [Vérifier la référence exacte au Journal officiel]

UNESCO (2021). Recommandation sur l'éthique de l'intelligence artificielle. Adoptée par la Conférence générale, novembre 2021. Site de l'UNESCO.

Vérification : Sites officiels de l'OCDE (OECD.AI), de l'UNESCO, de la Commission européenne, de la Déclaration de Montréal. Google Scholar pour Jobin et al.

Suggestion de mise à jour : Annuelle. Le paysage normatif évolue rapidement, en particulier avec la mise en œuvre progressive de l'AI Act et l'émergence de nouveaux cadres nationaux.

Notes

Règlement (UE) 2024/1689 du Parlement européen et du Conseil établissant des règles harmonisées en matière d'intelligence artificielle. Journal officiel de l'Union européenne. [Référence complète à vérifier au JOUE]
Groupe d'experts de haut niveau sur l'IA (2019). Lignes directrices en matière d'éthique pour une IA digne de confiance. Commission européenne. Disponible sur le site de la Commission.
La mise en œuvre est progressive : les dates exactes dépendent de la date de publication au Journal officiel. [Vérifier le calendrier officiel sur le site de la Commission européenne]
Cette approche s'inspire du cadre réglementaire européen pour les produits (marquage CE) et de la législation sectorielle existante (dispositifs médicaux, sécurité des machines).
AI Act, Titre II, articles 5 et suivants. Des exceptions existent pour l'identification biométrique dans des cas très encadrés (menace terroriste, recherche de victimes). [Vérifier les articles exacts dans la version consolidée]
AI Act, Titre III, Chapitre 2. La liste des systèmes à haut risque figure à l'Annexe III du règlement et peut être mise à jour par la Commission via des actes délégués.
AI Act, considérants et article 2. L'exemption couvre la R&D en amont de la mise sur le marché. Voir aussi : Edwards, L. (2022). The EU AI Act: a summary of its significance and scope. Ada Lovelace Institute. [Vérifier la source exacte]
AI Act, Titre V. Les bacs à sable réglementaires doivent être établis par les autorités nationales compétentes.
AI Act, Titre VIII bis (dans certaines versions du texte) / dispositions sur les GPAI. Le seuil de « risque systémique » est défini notamment par la puissance de calcul utilisée pour l'entraînement. [Vérifier la numérotation dans la version finale consolidée]
AI Act, Annexe III, point 3. Les systèmes d'IA utilisés pour déterminer l'accès à l'éducation ou pour évaluer les apprenants sont explicitement mentionnés.
Gouvernement du Canada. Directive sur la prise de décisions automatisée (2019, mise à jour). Secrétariat du Conseil du Trésor. Disponible sur le site du gouvernement du Canada.
Calendrier indicatif basé sur les dispositions transitoires de l'AI Act. [Vérifier les dates précises sur le site de la Commission européenne — les délais courent à partir de l'entrée en vigueur officielle]

Dimension	Loi 25 (Québec)	C-27 / LIAD (fédéral)
Statut	En vigueur (2022-2024)	Projet de loi ¹⁵
Portée	Secteurs public et privé au Québec	Secteur privé fédéral + IA
Décisions automatisées	Droit d'information et de révision	Obligations pour systèmes à incidence élevée
ÉFVP	Obligatoire	Évaluation de risque requise (LIAD)
Sanctions max.	25 M$ ou 4 % CA mondial	10 M$ ou 3 % revenu brut
Organe de surveillance	Commission d'accès à l'information (CAI)	Commissaire à l'IA et aux données (LIAD)
Recherche	Exceptions limitées pour la recherche	Non détaillé dans la LIAD

Notes

Loi modernisant des dispositions législatives en matière de protection des renseignements personnels, LQ 2021, c 25 (« Loi 25 »). Sanctionnée le 22 septembre 2021. Texte officiel disponible sur le site de l'Assemblée nationale du Québec.
Projet de loi C-27, Loi de 2022 sur la mise en œuvre de la charte du numérique, 1ʳᵉ session, 44ᵉ législature. Déposé à la Chambre des communes le 16 juin 2022. [Vérifier le statut législatif actuel]
La Loi 25 modifie notamment la Loi sur la protection des renseignements personnels dans le secteur privé (RLRQ, c P-39.1) et la Loi sur l'accès aux documents des organismes publics et sur la protection des renseignements personnels (RLRQ, c A-2.1).
Loi 25, art. 3.1 (modifiant la Loi sur le secteur privé). Pour les organismes publics, le responsable est la personne ayant la plus haute autorité. [Vérifier la numérotation exacte des articles]
L'ÉFVP est obligatoire pour tout projet d'acquisition, de développement ou de refonte de système d'information impliquant des renseignements personnels. Voir le site de la Commission d'accès à l'information du Québec pour les guides pratiques.
La notion de renseignement « sensible » inclut notamment les renseignements de santé, les données biométriques et les renseignements financiers. La liste n'est pas exhaustive et doit être évaluée selon le contexte.
Cette disposition s'applique aux décisions produisant des effets juridiques ou ayant des incidences significatives sur la personne. Elle est comparable (mais non identique) aux dispositions du RGPD européen (art. 22).
Le droit à la portabilité est entré en vigueur en septembre 2024. Les modalités techniques de mise en œuvre peuvent varier.
Commission d'accès à l'information du Québec (CAI). Le seuil de « risque de préjudice sérieux » fait l'objet de lignes directrices de la CAI. [Vérifier les lignes directrices les plus récentes]
Loi 25, dispositions pénales. Les montants s'appliquent aux entreprises du secteur privé. Le régime de sanctions pour les organismes publics est distinct et généralement moins élevé.
Projet de loi C-27, sommaire. Disponible sur le site du Parlement du Canada (LEGISinfo).
La LIAD serait administrée par un nouveau Commissaire à l'intelligence artificielle et aux données, rattaché au ministère de l'Innovation, des Sciences et du Développement économique. [Vérifier si cette structure a été modifiée lors de l'étude en comité]
La définition de « système à incidence élevée » serait précisée par règlement. Cette approche par voie réglementaire a été critiquée pour son manque de prévisibilité.
LIAD, dispositions pénales. Des infractions criminelles sont également prévues pour les cas les plus graves (utilisation intentionnelle causant un préjudice sérieux). [Vérifier les montants dans la version la plus récente du texte]
Au moment de la rédaction (mars 2026), le statut du projet de loi C-27 était incertain. La dissolution du Parlement ou un changement de gouvernement pourrait affecter son adoption. [VÉRIFIER IMPÉRATIVEMENT le statut actuel sur LEGISinfo]
Conseil de recherches en sciences humaines, Conseil de recherches en sciences naturelles et en génie, Instituts de recherche en santé du Canada (2022). Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains (EPTC 2). Disponible sur le site du Secrétariat sur la conduite responsable de la recherche.

Dimension	🇪🇺 UE	🇨🇦 Canada	🇺🇸 USA	🇨🇳 Chine	🌍 Afrique fr.
Approche	Horizontale, par risque	Hybride, en construction	Sectorielle, volontaire	Ciblée par technologie	Émergente
Texte principal IA	AI Act (2024)	C-27/LIAD (projet)	Décrets + sectoriel	Régulations multiples	Stratégie UA
Contraignant	Oui	Partiellement	Peu	Oui	Non
Protection données	RGPD	Loi 25/LPRPDE	Sectoriel	PIPL	Malabo (limité)
Priorité affichée	Droits fondamentaux	Équilibre	Innovation	Contrôle + industrie	Souveraineté
Portée extraterr.	Forte	Limitée	Variable	Limitée	Aucune
Recherche	Exemptions + sandboxes	Exceptions limitées	Peu encadrée	Encouragée mais encadrée	Peu de cadre

Notes

Règlement (UE) 2024/1689 (AI Act). Voir Doc 2.1 de cette bibliothèque pour une synthèse détaillée.
Règlement (UE) 2016/679 relatif à la protection des personnes physiques à l'égard du traitement des données à caractère personnel (RGPD). Applicable depuis le 25 mai 2018.
Gouvernement du Canada, Secrétariat du Conseil du Trésor (2019). Directive sur la prise de décisions automatisée. Applicable aux institutions fédérales. [Vérifier les mises à jour]
Voir Doc 2.2 de cette bibliothèque pour une analyse détaillée de la Loi 25 et du projet de loi C-27. [Vérifier le statut de C-27]
CIFAR (2017). Stratégie pancanadienne en matière d'intelligence artificielle. Renouvelée avec un investissement additionnel annoncé dans le budget fédéral 2024. [Vérifier les détails du renouvellement]
Executive Order on the Safe, Secure, and Trustworthy Development and Use of Artificial Intelligence (octobre 2023). [Vérifier si ce décret est toujours en vigueur — les décrets présidentiels peuvent être révoqués par une nouvelle administration]
Plusieurs États américains ont adopté ou proposé des législations spécifiques. Le Colorado AI Act (2024) et les initiatives californiennes sont parmi les plus avancées. [Vérifier le statut de ces législations étatiques]
Cyberspace Administration of China. Règlements sur les algorithmes de recommandation (2022), la synthèse profonde (2023) et l'IA générative (Interim Measures for the Management of Generative AI Services, 2023). [Vérifier les titres officiels et dates exactes]
Personal Information Protection Law (PIPL), entrée en vigueur le 1er novembre 2021. Souvent comparée au RGPD mais avec des différences significatives, notamment le rôle de l'État dans l'accès aux données.
Union africaine (2024). Continental Artificial Intelligence Strategy. [Vérifier la date d'adoption exacte et le statut]
Convention de l'Union africaine sur la cybersécurité et la protection des données à caractère personnel (Convention de Malabo, 2014). Entrée en vigueur en juin 2023 après la 15ᵉ ratification. [Vérifier le nombre actuel de ratifications]
L'UE a reconnu le Canada comme offrant un niveau de protection des données « adéquat » au sens du RGPD pour le secteur commercial (décision d'adéquation). Cette reconnaissance facilite les transferts de données. [Vérifier si cette décision a été mise à jour]

Notes

CRSH, CRSNG, IRSC (2022). Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains (EPTC 2). Secrétariat sur la conduite responsable de la recherche. Disponible sur le site du Secrétariat.
EPTC 2, chapitre 6 (Gouvernance de l'éthique de la recherche). L'examen par un CÉR est obligatoire pour toute recherche avec des êtres humains financée par les trois conseils.
L'EPTC 2 ne contient pas de section spécifique à l'IA, mais ses principes généraux (respect des personnes, préoccupation pour le bien-être, justice) s'appliquent. Certains CÉR ont développé des grilles complémentaires. [Vérifier si l'EPTC 2 a été mis à jour pour intégrer l'IA]
Loi 25, dispositions relatives à l'ÉFVP. La Commission d'accès à l'information du Québec (CAI) publie des guides pratiques pour la réalisation d'ÉFVP. Disponibles sur le site de la CAI.
Commission européenne, décision d'adéquation relative au Canada (2002). Cette décision couvre les transferts vers les organisations commerciales assujetties à la LPRPDE. [Vérifier si la décision a été réexaminée ou mise à jour]
Centre de gouvernance de l'information des Premières Nations (CGIPN). Les principes PCAP® (Propriété, Contrôle, Accès, Possession) sont un standard reconnu pour la recherche impliquant les Premières Nations au Canada. Voir le site du CGIPN.
Voir Doc 4.1 de cette bibliothèque : Guide « IA Responsable by Design ». Voir aussi : Mitchell, M. et al. (2019). Model Cards for Model Reporting. Proceedings of the ACM Conference on Fairness, Accountability, and Transparency (FAT*). [Vérifier l'année et la conférence exacte]
L'AI Act européen (Annexe IV) impose une documentation technique détaillée pour les systèmes à haut risque. Même en dehors du cadre européen, cette documentation est une bonne pratique de reproductibilité scientifique.
La question du « dual use » (double usage — usage pacifique et usage potentiellement nocif) est un enjeu de longue date dans les sciences et fait l'objet de discussions spécifiques dans le contexte de l'IA. Voir les politiques de publication de conférences comme NeurIPS. [Vérifier les politiques actuelles]

Notes

CRSH, CRSNG, IRSC (2022). Énoncé de politique des trois conseils : Éthique de la recherche avec des êtres humains (EPTC 2), 2ᵉ édition. Secrétariat sur la conduite responsable de la recherche. [Vérifier si une mise à jour intégrant l'IA a été publiée]
L'examen par un CÉR est obligatoire pour toute recherche avec des êtres humains dans les institutions recevant des fonds des trois conseils (CRSH, CRSNG, IRSC). La plupart des universités canadiennes appliquent ce cadre à l'ensemble de leurs activités de recherche.
L'EPTC 2 définit la « recherche avec des êtres humains » de manière large, incluant l'utilisation de données personnelles identifiables et les interventions indirectes. Chapitre 2, articles 2.1 et suivants.
Sur l'opacité algorithmique et ses implications éthiques, voir : Burrell, J. (2016). How the machine 'thinks': Understanding opacity in machine learning algorithms. Big Data & Society, 3(1). [Vérifier le DOI]
L'EPTC 2, chapitre 3, prévoit des dispositions pour l'utilisation secondaire de données et pour les situations où le consentement individuel est impraticable. Cependant, ces dispositions n'ont pas été conçues pour l'échelle et la complexité des traitements IA.
Sur les risques collectifs de l'IA, voir : Selbst, A.D. et al. (2019). Fairness and Abstraction in Sociotechnical Systems. Proceedings of ACM FAT*. [Vérifier la référence]
Ce flou est reconnu par l'AI Act européen, qui prévoit que l'exemption de recherche cesse dès qu'un système est « mis sur le marché ou en service ». Voir Doc 2.1 de cette bibliothèque.
Certaines institutions ont créé des sous-comités spécialisés ou des comités consultatifs en IA pour appuyer le travail des CÉR. [Vérifier les exemples canadiens existants]
Gouvernement du Canada. Outil d'évaluation de l'incidence algorithmique. Conçu pour les institutions fédérales mais adaptable au contexte universitaire. Disponible sur le site du gouvernement du Canada.

Outil	Organisation	Fonction principale	Licence
AI Fairness 360	IBM	Métriques d'équité + algorithmes de mitigation pré/en/post	Apache 2.0
Fairlearn	Microsoft	Métriques + algorithmes de réduction et post-traitement	MIT
What-If Tool	Google	Exploration visuelle des performances par sous-groupe	Apache 2.0
Aequitas	U. Chicago	Audit d'équité pour systèmes de décision	MIT

Notes

Mehrabi, N. et al. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6). Suresh, H. & Guttag, J. (2021). A framework for understanding sources of harm throughout the machine learning life cycle. Proceedings of EAAMO '21. [Vérifier la référence Suresh & Guttag]
Buolamwini, J. & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81, 1–15.
Le système COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) a été analysé par ProPublica en 2016. Angwin, J. et al. (2016). Machine Bias. ProPublica.
Obermeyer, Z. et al. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453.
Le biais d'agrégation est documenté en santé, où des modèles entraînés sur des populations à diversité limitée performent moins bien pour les groupes sous-représentés. Voir les travaux sur la médecine de précision et l'équité.
Parasuraman, R. & Manzey, D. (2010). Complacency and bias in human use of automation. Human Factors, 52(3), 381–410. [pages à vérifier]
Verma, S. & Rubin, J. (2018). Fairness definitions explained. Proceedings of IEEE/ACM International Workshop on Software Fairness (FairWare). [Vérifier la conférence exacte]
Hardt, M., Price, E., & Srebro, N. (2016). Equality of opportunity in supervised learning. Advances in Neural Information Processing Systems (NeurIPS).
Chouldechova, A. (2017). Fair prediction with disparate impact: A study of bias in recidivism prediction instruments. Big Data, 5(2), 153–163. Kleinberg, J., Mullainathan, S., & Raghavan, M. (2016). Inherent trade-offs in the fair determination of risk scores. arXiv preprint arXiv:1609.05807. [Vérifier si publié dans une revue]
Feldman, M. et al. (2015). Certifying and removing disparate impact. Proceedings of the 21st ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. [pages à vérifier]
Zhang, B.H., Lemoine, B., & Mitchell, M. (2018). Mitigating unwanted biases with adversarial learning. Proceedings of AIES '18. [Vérifier la référence complète]
Corbett-Davies, S. & Goel, S. (2018). The measure and mismeasure of fairness: A critical review of fair machine learning. arXiv preprint arXiv:1808.00023. [Vérifier si publié dans une revue]
Selbst, A.D. et al. (2019). Fairness and Abstraction in Sociotechnical Systems. Proceedings of ACM FAT*. Cet article argumente que les solutions purement techniques à l'équité échouent lorsqu'elles ignorent le contexte social.

Notes

Pour une vue d'ensemble des risques de l'IA en gestion, voir : Tambe, P. et al. (2019). Artificial Intelligence in Human Resources Management. California Management Review, 61(4), 15–42. [Volume et pages à vérifier]
Le cas Amazon a été rapporté par Reuters en octobre 2018. L'entreprise a confirmé avoir abandonné l'outil après avoir constaté qu'il pénalisait les candidatures contenant des mots associés au genre féminin. [Source primaire : article Reuters]
Pour les risques IA en finance, voir les rapports du Financial Stability Board (FSB) sur l'IA et la stabilité financière. [Vérifier les rapports FSB les plus récents]
Le Flash Crash du 6 mai 2010 a été documenté dans un rapport conjoint de la SEC et de la CFTC. Le rôle du trading algorithmique dans l'amplification de la chute a été largement analysé. [Vérifier la référence du rapport SEC/CFTC]
Topol, E. (2019). Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books. Ouvrage de référence sur les promesses et risques de l'IA en santé.
Obermeyer, Z. et al. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. L'un des articles les plus influents sur les biais IA en santé.
Sur l'IA et le droit, voir : Pasquale, F. (2015). The Black Box Society. Harvard University Press. Voir aussi les travaux du Laboratoire de cyberjustice de l'Université de Montréal. [Vérifier si le laboratoire existe sous ce nom]
Angwin, J. et al. (2016). Machine Bias. ProPublica. Cette enquête a lancé un débat majeur sur l'équité des outils de justice prédictive et a mis en lumière le résultat d'impossibilité de Chouldechova (2017).
Des cas de juristes soumettant des mémoires contenant des références fictives générées par ChatGPT ont été documentés aux États-Unis en 2023. [Vérifier dans la presse juridique]
Salganik, M. (2018). Bit by Bit: Social Research in the Digital Age. Princeton University Press. Ouvrage de référence sur les méthodes computationnelles en sciences sociales et leurs enjeux éthiques.
AI Act, Annexe III, point 3. Les systèmes d'IA utilisés pour déterminer l'accès à l'éducation ou pour évaluer les apprenants sont explicitement classés à haut risque. Voir Doc 2.1.
En août 2020, Ofqual (Royaume-Uni) a utilisé un algorithme pour standardiser les notes A-Level. L'algorithme favorisait les écoles ayant historiquement de bons résultats, pénalisant les élèves de milieux défavorisés. Après une mobilisation massive, le gouvernement a abandonné les notes algorithmiques au profit des évaluations enseignantes.

Notes

Charte de la langue française (Loi 101), RLRQ, c C-11. La Loi 96 (Loi sur la langue officielle et commune du Québec, le français), sanctionnée en 2022, renforce les obligations en matière de français. [Vérifier les dispositions spécifiques applicables aux services numériques et à l'IA]
Plusieurs études et benchmarks multilingues documentent les disparités de performance entre l'anglais et d'autres langues dans les modèles de langage. Le français, bien que mieux représenté que la plupart des langues, reste significativement sous-représenté par rapport à l'anglais. [Vérifier les benchmarks récents comme FLORES, XTREME]
Statistique Canada, Recensement 2021. UNESCO, Atlas des langues en danger dans le monde. Environ 70 langues autochtones sont parlées au Canada, mais la majorité ont un nombre de locuteurs en déclin. [Vérifier les données du recensement 2021]
Centre de gouvernance de l'information des Premières Nations (CGIPN). Les principes PCAP® (Propriété, Contrôle, Accès, Possession) sont une marque déposée du CGIPN. Documentation officielle disponible sur le site du CGIPN.
Sur la souveraineté des données autochtones, voir : Kukutai, T. & Taylor, J. (Eds.) (2016). Indigenous Data Sovereignty: Toward an Agenda. ANU Press. [Vérifier l'éditeur exact]
Commission de vérité et réconciliation du Canada (2015). Appels à l'action. Disponible sur le site de la CVR. Loi sur la Déclaration des Nations Unies sur les droits des peuples autochtones (L.C. 2021, c 14), adoptée par le Parlement du Canada en juin 2021.
Couldry, N. & Mejias, U. (2019). The Costs of Connection: How Data Is Colonizing Human Life and Appropriating It for Capitalism. Stanford University Press. Le concept d'« extractivisme de données » est de plus en plus utilisé dans les études critiques du numérique.
Loi sur le multiculturalisme canadien, L.R.C. 1985, c 24 (4e suppl.). Statistique Canada, Recensement 2021 : données sur la diversité ethnoculturelle. [Vérifier le pourcentage exact de minorités visibles]
Buolamwini, J. & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81, 1–15.
Crenshaw, K. (1989). Demarginalizing the intersection of race and sex: A Black feminist critique of antidiscrimination doctrine, feminist theory and antiracist politics. University of Chicago Legal Forum, 1989(1), 139–167. Article fondateur du concept d'intersectionnalité.
Molnar, P. & Gill, L. (2018). Bots at the Gate: A Human Rights Analysis of Automated Decision-Making in Canada's Immigration and Refugee System. Citizen Lab / International Human Rights Program, University of Toronto. [Vérifier l'année et les auteurs exacts]
Loi canadienne sur l'accessibilité, L.C. 2019, c 10. Vise à identifier, éliminer et prévenir les obstacles dans les domaines de compétence fédérale.

Approche	Principe	Fiabilité
Classificateurs statistiques (GPTZero, Originality.ai, etc.)	Analysent les caractéristiques statistiques du texte (perplexité, burstiness) pour distinguer texte humain et texte IA.	Variable. Taux de faux positifs significatifs, surtout pour les locuteurs non natifs de l'anglais. Fiabilité généralement réduite en français.⁵
Watermarking (filigranes statistiques)	Les fournisseurs de modèles intègrent des motifs statistiques imperceptibles dans le texte généré, détectables par un outil dédié.	Prometteur mais nécessite la coopération des fournisseurs. Peut être contourné par la reformulation ou le mélange de sources.⁶
Détection intégrée (Turnitin AI)	Turnitin a intégré un module de détection IA distinct de sa détection de plagiat classique.	Résultats améliorés par rapport aux outils indépendants mais faux positifs persistants. Fiabilité en français inférieure à l'anglais.⁷

Notes

Les outils de détection de plagiat traditionnels comparent les textes soumis à une base de données de textes existants. Le contenu généré par IA étant original (non copié d'une source identifiable), il échappe à cette détection. Turnitin a ajouté un module de détection IA en 2023, distinct de sa détection de plagiat classique.
En 2023, un avocat new-yorkais a soumis un mémoire juridique contenant des citations de jurisprudence entièrement fictives, générées par ChatGPT. L'affaire a été largement couverte par la presse juridique et générale. [Vérifier les détails de l'affaire dans la presse juridique — plusieurs incidents similaires ont été rapportés]
Sur les risques cognitifs de la dépendance aux outils numériques, le concept de « décharge cognitive » (cognitive offloading) est documenté dans la littérature en psychologie cognitive. L'IA générative amplifie ce phénomène en automatisant des tâches intellectuelles complexes. [Vérifier les publications récentes sur la décharge cognitive dans le contexte spécifique de l'IA]
Les versions premium (ChatGPT Plus/Team, Claude Pro, Gemini Advanced, etc.) offrent l'accès à des modèles plus performants, des temps de réponse plus rapides et des fonctionnalités avancées. Cette asymétrie de capacités crée un risque d'inégalité dans les performances académiques.
Liang, W. et al. (2023). GPT detectors are biased against non-native English writers. arXiv preprint. Cette étude a montré que les détecteurs d'IA produisent des faux positifs significativement plus fréquents pour les textes écrits par des locuteurs non natifs de l'anglais. [Vérifier si publié dans une revue à comité de lecture]
Kirchenbauer, J. et al. (2023). A watermark for large language models. Proceedings of ICML 2023. Le watermarking est techniquement prometteur mais nécessite la coopération des fournisseurs de modèles et peut être contourné par des techniques de paraphrase. [Vérifier la conférence exacte]
Turnitin a déployé son module de détection IA en 2023. La fiabilité varie selon les langues, les modèles de langage utilisés et le degré de modification post-génération. [Consulter le site de Turnitin pour les données de performance les plus récentes]
Ce consensus est reflété dans les prises de position de nombreuses associations universitaires et dans la littérature sur l'intégrité académique. Voir les recommandations de l'International Center for Academic Integrity (ICAI) et les orientations de l'UNESCO sur l'IA générative en éducation. [Vérifier les recommandations ICAI et UNESCO les plus récentes]
Pour des exemples concrets d'évaluations résistantes à l'utilisation non déclarée de l'IA, voir les ressources des centres de pédagogie universitaire et les publications de l'UNESCO. Voir aussi Doc 6.2 (études de cas pédagogiques) et Doc 6.4 (grille d'évaluation éthique) de cette bibliothèque.
[Vérifier les directives et politiques actuelles d'HEC Montréal, de l'Université de Montréal et de Polytechnique Montréal en matière d'IA générative dans l'enseignement — ces politiques évoluent rapidement]

Notes

Pour une analyse de la concentration du pouvoir IA, voir : Whittaker, M. (2021). The steep cost of capture. Interactions, 28(6), 50–55. Voir aussi les rapports de l'AI Now Institute (New York University). [Vérifier la référence Whittaker]
Les coûts d'entraînement des modèles de pointe sont difficiles à vérifier car rarement divulgués officiellement. Des estimations publiées dans la presse spécialisée et certaines publications académiques situent le coût de GPT-4 à plus de 100 millions de dollars. [Les chiffres exacts doivent être vérifiés dans des sources récentes — ils évoluent rapidement]
Zuboff, S. (2019). The Age of Surveillance Capitalism: The Fight for a Human Future at the New Frontier of Power. PublicAffairs. Ouvrage de référence sur l'accumulation de données comportementales par les grandes plateformes.
Stanford HAI. AI Index Report (annuel). Le rapport documente la part croissante des publications industrielles par rapport aux publications académiques en IA. [Consulter le rapport AI Index le plus récent pour les données à jour]
Pasquale, F. (2015). The Black Box Society: The Secret Algorithms That Control Money and Information. Harvard University Press. Analyse du pouvoir normatif exercé par les systèmes algorithmiques opaques.
CLOUD Act (Clarifying Lawful Overseas Use of Data Act), 2018, États-Unis. Cette loi permet aux autorités américaines d'exiger l'accès aux données hébergées par des entreprises américaines, indépendamment du lieu de stockage physique des données.
Des changements de tarification significatifs des API d'IA ont déjà affecté des projets de recherche et des applications éducatives. Le risque de vendor lock-in (enfermement propriétaire) est un enjeu classique en gestion des technologies de l'information.
Abdalla, M. & Abdalla, M. (2021). The Grey Hoodie Project: Big Tobacco, Big Tech, and the threat on academic integrity. Proceedings of AIES '21. Cet article établit un parallèle entre l'influence de l'industrie du tabac et celle de l'industrie technologique sur la recherche académique. [Vérifier la référence complète]
Les problèmes de reproductibilité liés aux modèles propriétaires sont discutés dans la communauté scientifique, notamment dans les conférences NeurIPS et ICML. Le fait que les modèles propriétaires puissent être modifiés sans préavis rend la réplication exacte des résultats impossible.
L'Alliance de recherche numérique du Canada (anciennement Calcul Canada et partenaires régionaux) fournit des infrastructures de calcul haute performance aux chercheurs canadiens. [Vérifier le nom et la structure actuels de l'organisme]
Le projet BLOOM (BigScience Large Open-science Open-access Multilingual Language Model), coordonné par Hugging Face avec la participation de chercheurs de nombreux pays, est un exemple de collaboration internationale pour un modèle de langage ouvert et multilingue incluant le français.
Google, Meta (anciennement Facebook), Microsoft, Samsung et d'autres entreprises ont établi des laboratoires de recherche en IA à Montréal, attirés par le bassin de talents formés par Mila et les universités. [Vérifier la liste des laboratoires industriels actuellement actifs à Montréal — des ouvertures et fermetures se produisent régulièrement]

Notes

Friedman, B., Hendry, D. G., & Borning, A. (2017). A survey of value sensitive design methods. Foundations and Trends in HCI, 11(2), 63–125. [Volume à vérifier]
L'approche by design est analogue au principe de Privacy by Design développé par Ann Cavoukian, qui a influencé le RGPD européen. L'extension aux dimensions éthiques de l'IA est une évolution naturelle.
La question de la proportionnalité (l'IA est-elle nécessaire ?) est un principe de la Recommandation de l'UNESCO sur l'éthique de l'IA (2021), principe 1 (proportionnalité et innocuité).
Sur les choix normatifs dans la conception des systèmes IA, voir : Winner, L. (1980). Do artifacts have politics? Daedalus, 109(1), 121–136. Article fondateur sur la dimension politique des choix techniques.
Mitchell, M. et al. (2019). Model Cards for Model Reporting. Proceedings of ACM FAT*. Les model cards sont un format de documentation standardisé pour les modèles IA. [Vérifier conférence exacte]
L'AI Act européen impose des obligations de transparence et de supervision humaine pour les systèmes à haut risque. Voir Doc 2.1.
La dérive des données (data drift) et la dérive conceptuelle (concept drift) sont des phénomènes bien documentés où les performances d'un modèle se dégradent au fil du temps.
CRSH, CRSNG, IRSC (2022). EPTC 2. Le chapitre 2 (portée et approche) et le chapitre 4 (consentement) sont directement pertinents pour les phases 1-2 du guide.
Déclaration de Montréal pour un développement responsable de l'IA (2018). Principe 8 : prudence. Disponible sur le site de la Déclaration.

Notes

Gouvernement du Canada, Secrétariat du Conseil du Trésor. Outil d'évaluation de l'incidence algorithmique. Disponible en ligne. [Vérifier l'URL et la version actuelle]
Directive sur la prise de décisions automatisée (2019). Applicable aux institutions fédérales canadiennes. [Vérifier les mises à jour]
AI Act, Titre III, Chapitre 2 : les fournisseurs de systèmes IA à haut risque doivent établir un système de gestion des risques. Voir Doc 2.1.
La classification du niveau d'autonomie est importante : un système d'aide à la décision (avec humain dans la boucle) a un profil de risque différent d'un système entièrement automatisé.
Les quatre niveaux sont inspirés de l'OEIA fédéral. L'adaptation au contexte universitaire peut nécessiter des ajustements des critères et des seuils.
Voir Doc 3.1 de cette bibliothèque pour la taxonomie des biais et les métriques d'équité. Au Canada, la Loi canadienne sur les droits de la personne (L.R.C., 1985, c H-6) définit les motifs de discrimination interdits.
Sur l'explicabilité, voir Doc 1.1 (glossaire, entrée « Explicabilité ») et Doc 4.4 (outils LIME, SHAP).
Le plan de mitigation doit être proportionné au niveau d'incidence. Un système de niveau 1 nécessite des mesures minimales ; un système de niveau 4 exige un plan robuste avec supervision humaine renforcée.
La CAI du Québec publie des guides pour la réalisation d'ÉFVP. L'intégration avec l'EIA évite les doublons. [Consulter les guides CAI les plus récents]
[Vérifier si des universités canadiennes ont déjà développé des versions adaptées de l'OEIA pour le milieu académique]

Section	Contenu
1. Identité du système	Nom, version, finalité, responsable, date d'audit
2. Périmètre	Dimensions auditées, données et méthodes utilisées
3. Résultats par dimension	Pour chaque dimension : évaluation, métriques, constats, preuves
4. Synthèse des risques	Risques identifiés classés par gravité et probabilité
5. Recommandations	Actions correctives, responsables, échéances
6. Plan de suivi	Indicateurs de surveillance, prochaine date d'audit
7. Annexes	Données détaillées, résultats de tests, code utilisé

Notes

Sur les audits algorithmiques en général, voir : Raji, I. D. et al. (2020). Closing the AI Accountability Gap. Proceedings of ACM FAT*. [Vérifier référence exacte]
Voir Doc 3.1 pour la taxonomie des biais et les métriques d'équité. Voir Doc 1.1, entrée « Équité algorithmique ».
Mitchell, M. et al. (2019). Model Cards for Model Reporting. ACM FAT*. Les model cards sont un standard de documentation de plus en plus adopté.
Goodfellow, I., Shlens, J., & Szegedy, C. (2015). Explaining and harnessing adversarial examples. ICLR. Travail fondateur sur les attaques adverses. [Vérifier conférence]
Shokri, R. et al. (2017). Membership inference attacks against machine learning models. IEEE Symposium on Security and Privacy. [Vérifier pages]
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. ACL. Sur l'empreinte environnementale.
Le format de rapport proposé s'inspire des pratiques d'audit en sécurité informatique et des exigences de documentation de l'AI Act (Annexe IV).
L'absence de standards d'audit algorithmique unifiés est reconnue comme un défi par la communauté. Des initiatives comme l'Algorithmic Auditing Taskforce tentent de combler cette lacune. [Vérifier le statut de cette initiative]

Outil	Domaine	Niveau	Licence	Langage
AI Fairness 360	Équité + mitigation	★★★	Apache 2.0	Python
Fairlearn	Équité + mitigation	★★	MIT	Python
Aequitas	Audit d'équité	★	MIT	Python
LIME	Explicabilité locale	★★	BSD	Python
SHAP	Explicabilité loc.+glob.	★★★	MIT	Python
What-If Tool	Exploration visuelle	★	Apache 2.0	JS/Python
Model Cards	Documentation modèle	★	Apache 2.0	Python

Notes

Bellamy, R. K. E. et al. (2019). AI Fairness 360: An extensible toolkit for detecting and mitigating algorithmic bias. IBM Journal of Research and Development, 63(4/5). [Vérifier volume et pages]
Bird, S. et al. (2020). Fairlearn: A toolkit for assessing and improving fairness in AI. Microsoft Research. [Vérifier si publié en conférence]
Saleiro, P. et al. (2018). Aequitas: A bias and fairness audit toolkit. arXiv:1811.05577. [Vérifier publication]
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. Proceedings of ACM KDD. Article fondateur de LIME.
Lundberg, S. M. & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems (NeurIPS).
Wexler, J. et al. (2019). The What-If Tool: Interactive probing of machine learning models. IEEE Transactions on Visualization and Computer Graphics. [Vérifier volume]
Mitchell, M. et al. (2019). Model Cards for Model Reporting. Proceedings of ACM FAT*.
Gebru, T. et al. (2021). Datasheets for datasets. Communications of the ACM, 64(12), 86–92.
[Vérifier les formations actuellement offertes par Mila et IVADO sur ces outils]

Notes

La transparence est un principe fondamental de l'intégrité académique. Plusieurs universités exigent désormais une déclaration d'utilisation de l'IA dans les travaux soumis. [Vérifier les politiques de votre institution]
Le phénomène d'hallucination (fabrication de contenus faux) est bien documenté dans les modèles de langage. Voir Doc 1.1, entrée « Hallucination (IA) ».
Sur les risques de dépendance cognitive, voir Doc 3.4 de cette bibliothèque.
Les politiques varient considérablement entre les institutions et les cours. Certains interdisent tout usage ; d'autres l'encouragent avec divulgation. L'étudiant est responsable de connaître et de respecter les règles applicables.
Des cas de soumission de références fictives générées par l'IA ont été documentés dans le milieu académique et juridique. Voir Doc 3.4, note 2.
Les conflits liés à l'IA surviennent souvent quand les consignes sont ambiguës. Une mention explicite dans le plan de cours ou les consignes de travail prévient les malentendus.
Cette approche est recommandée par de nombreuses organisations, dont l'UNESCO dans ses orientations sur l'IA générative en éducation. [Vérifier les orientations UNESCO les plus récentes]
[Vérifier les directives institutionnelles actuelles d'HEC Montréal, UdeM et Polytechnique Montréal]

Notes

Mila — Institut québécois d'intelligence artificielle. Originellement le laboratoire LISA (Laboratoire d'informatique des systèmes adaptatifs), fondé par Yoshua Bengio. Renommé Mila en 2017. [Vérifier le nombre actuel de chercheurs et étudiants sur le site de Mila]
Yoshua Bengio a été signataire de la lettre ouverte du Future of Life Institute (2023) appelant à un moratoire sur l'entraînement de systèmes IA plus puissants que GPT-4. [Vérifier les prises de position récentes]
IVADO. [Vérifier les institutions membres actuelles et les programmes en cours sur le site d'IVADO — l'Université Laval était partenaire mais vérifier le statut actuel]
OBVIA, Observatoire international sur les impacts sociétaux de l'IA et du numérique, Université Laval. Financé par les Fonds de recherche du Québec (FRQ). [VÉRIFIER : le statut, le financement actuel et l'activité de l'OBVIA — les financements des observatoires peuvent être limités dans le temps]
[Vérifier les chaires et groupes de recherche actuellement actifs à HEC Montréal en lien avec l'IA et l'éthique. Le paysage des chaires évolue avec les renouvellements de mandat et les créations/fermetures.]
La Déclaration de Montréal a été pilotée par l'Université de Montréal sous la direction de Yoshua Bengio et coordonnée par Marc-Antoine Dilhac. [Vérifier les rôles exacts et les affiliations actuelles]
[Vérifier les centres et chaires actifs à Polytechnique Montréal en IA responsable]
McGill héberge le McGill Centre for the Convergence of Health and Economics (MCCHE) et des initiatives en IA et santé. [Vérifier les centres actuellement actifs]
CIFAR (2017). Stratégie pancanadienne en matière d'IA. Budget 2024 : renouvellement annoncé avec investissement additionnel. [Vérifier les détails du renouvellement]
CIRANO, Centre interuniversitaire de recherche en analyse des organisations. [Vérifier les projets en cours liés à l'IA]
[Vérifier la liste des laboratoires industriels actuellement actifs à Montréal — des ouvertures et fermetures se produisent régulièrement]

Notes

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
Goodfellow, I. et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS). Travail réalisé à l'Université de Montréal.
Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural machine translation by jointly learning to align and translate. ICLR. Ce travail sur l'attention a été l'un des précurseurs de l'architecture Transformer (Vaswani et al., 2017). [Vérifier la conférence exacte]
Déclaration de Montréal pour un développement responsable de l'IA (2018). Université de Montréal. Voir Doc 5.3 pour l'étude de cas.
[Vérifier les interventions récentes de Yoshua Bengio dans le débat sur la gouvernance de l'IA — ses positions ont évolué significativement depuis 2023]
CIFAR (2017). Stratégie pancanadienne en matière d'intelligence artificielle. [Vérifier le renouvellement et le budget actuel]
[Vérifier les publications et rapports récents de l'OBVIA sur le site de l'observatoire]
[Consulter le site d'IVADO pour les projets de recherche en cours et terminés]
[Vérifier les programmes de formation actuellement offerts par Mila, IVADO et les universités partenaires]

Notes

Déclaration de Montréal pour un développement responsable de l'IA (2018). Université de Montréal. La coordination scientifique a été assurée par Marc-Antoine Dilhac. [Vérifier les rôles et affiliations actuels]
Cette approche participative distingue la Déclaration de Montréal des principes d'Asilomar (2017, élaborés par des chercheurs en IA) et des lignes directrices de l'UE (2019, élaborées par un groupe d'experts nommés).
Le nombre exact de participants varie selon les sources. Le processus a inclus des ateliers en présentiel et des contributions en ligne. [Vérifier les chiffres de participation sur le site de la Déclaration]
Les dix principes et leurs sous-principes sont disponibles intégralement sur le site officiel de la Déclaration de Montréal.
Sur la démocratie délibérative et les conférences de consensus, voir les travaux de James Fishkin sur les « sondages délibératifs ». [Référence à vérifier]
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399.
UNESCO (2021). Recommandation sur l'éthique de l'intelligence artificielle. Le principe de « durabilité » de l'UNESCO fait écho au principe de « développement soutenable » de la Déclaration de Montréal.
[Vérifier les initiatives ayant explicitement cité la méthodologie de la Déclaration de Montréal comme modèle]
Le défi de l'opérationnalisation des principes éthiques (principles-to-practice gap) est un thème récurrent dans la littérature. Voir : Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine Intelligence, 1(11), 501–507.
[Vérifier si un processus de mise à jour de la Déclaration a été annoncé ou engagé]

Notes

Prix Turing 2018 attribué conjointement à Yoshua Bengio, Geoffrey Hinton et Yann LeCun par l'Association for Computing Machinery (ACM). Vérifiable sur le site de l'ACM.
[Vérifier les prises de position les plus récentes de Yoshua Bengio — ses positions sur les risques IA ont évolué significativement depuis 2023. Consulter ses publications et interventions publiques récentes.]
Le rôle de Marc-Antoine Dilhac dans la Déclaration de Montréal est documenté sur le site officiel de la Déclaration. [Vérifier son affiliation et ses activités actuelles]
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. L'un des manuels les plus utilisés dans l'enseignement de l'apprentissage profond.

Bibliothèque IA Responsable

Résumé exécutif

🔬 Zoom sur l'écosystème montréalais

Points clés à retenir

Questions de réflexion

Références bibliographiques

Résumé exécutif

Les cinq piliers

1. Équité (Fairness)

2. Transparence (Transparency)

3. Imputabilité (Accountability)

4. Durabilité (Sustainability)

5. Souveraineté des données (Data Sovereignty)

Interactions entre piliers

🔬 Zoom sur l'écosystème montréalais

Points clés à retenir

Questions de réflexion

Références bibliographiques

Résumé exécutif

1. Un positionnement historique à consolider

2. Quatre arguments stratégiques

A. Avantage compétitif en recherche et formation

B. Anticipation réglementaire

C. Confiance publique et responsabilité sociale

D. Différenciation dans les partenariats université-industrie

3. Les risques de l'inaction

4. Recommandations pour l'action

🔬 Zoom sur l'écosystème montréalais

Points clés à retenir

Questions de réflexion

Références bibliographiques

Résumé exécutif

Contexte : une effervescence normative mondiale

Les quatre cadres majeurs

🍁 Déclaration de Montréal pour un développement responsable de l'IA (2018)

🌐 Principes de l'OCDE sur l'intelligence artificielle (2019)

🏛 Lignes directrices de l'UE pour une IA digne de confiance (2019) et AI Act (2024)

📜 Recommandation de l'UNESCO sur l'éthique de l'intelligence artificielle (2021)

Analyse comparative

Convergences

Divergences

🔬 Zoom sur le leadership montréalais

Limites et critiques transversales

Points clés à retenir

Questions de réflexion

Références bibliographiques

Résumé exécutif

1. Genèse et structure du règlement

2. L'approche par niveaux de risque

Risque inacceptable — INTERDIT

Haut risque — OBLIGATIONS STRICTES

Risque limité — OBLIGATIONS DE TRANSPARENCE

Risque minimal — PAS D'OBLIGATIONS SPÉCIFIQUES

3. Dispositions relatives à la recherche

4. Implications pour les universités

🔬 Zoom sur l'écosystème montréalais

5. Calendrier de mise en œuvre

Points clés à retenir

Questions de réflexion

Notes

Résumé exécutif

1. La Loi 25 du Québec

Loi modernisant des dispositions législatives en matière de protection des renseignements personnels

Dispositions clés pour la recherche

2. Le projet de loi C-27 (fédéral)

Loi de 2022 sur la mise en œuvre de la charte du numérique

La LIAD : dispositions principales

3. Comparaison Loi 25 / C-27

4. Implications pratiques pour les chercheurs

🔬 Zoom sur l'écosystème montréalais

Points clés à retenir

Questions de réflexion

Notes

Résumé exécutif

1. Cinq approches, cinq philosophies

Approche par les risques — régulation horizontale contraignante

Approche hybride — cadre en construction

Approche sectorielle — régulation légère et volontaire

Approche par le contrôle étatique — régulation ciblée et rapide

Cadre émergent — entre initiatives continentales et lacunes normatives