Récapitulation et examen final

Dix modules pour transformer une intention (« construire une IA responsable ») en une chaîne d'artefacts qu'un auditeur peut vérifier. Voici le cours condensé, la liste de contrôle avant déploiement, puis les modalités de l'examen final.

Le cours d'un coup d'œil

Module	L'essentiel à retenir
1. Responsable, concrètement	Cinq principes traduits en cinq artefacts vérifiables ; six parties prenantes minimum
2. Sources de biais	Quatre portes d'entrée ; variables de substitution ; retirer une variable ne suffit pas
3. Mesures d'équité	Parité, égalité des chances, calibration ; théorème d'impossibilité ; choix motivé
4. Explicabilité	SHAP additive et robuste ; LIME instable ; expliquer n'est pas justifier
5. Vie privée	k-anonymat, confidentialité différentielle avec budget ε ; attaques par inférence
6. Fiches	Huit rubriques modèle, sept rubriques jeu de données ; usages hors périmètre non négociables
7. Supervision et recours	Dans/sur/hors de la boucle ; biais d'automatisation ; taux de renversement comme métrique
8. Règlement européen sur l'IA	Pyramide en quatre niveaux ; crédit à la consommation à haut risque ; sept obligations
9. Protection des données	Six principes RGPD, article 22 sur la décision automatisée, analyse d'impact
10. Audit du fil rouge	Grille en dix points, sept constats critiques types, plan de remédiation ordonné

Les fils qui traversent le cours

L'artefact prime sur la charte. Une « politique d'IA éthique » sans fiche de modèle, sans métrique par sous-groupe et sans procédure de recours ne change rien à la vie du demandeur refusé. Un système documenté, mesuré et contestable est déjà éthique en pratique, indépendamment de ses proclamations. Ce cours n'a cessé de préférer le vérifiable au déclaratif.

Le biais ne se retire pas, il s'arbitre. Les modules 2 et 3 ont établi ensemble une leçon dure : dès que les taux de base diffèrent entre groupes, il faut choisir laquelle des trois définitions d'équité on privilégie, et assumer ce choix par écrit. Aucun outil ne fait ce travail à la place de la direction risque et de la conformité.

Expliquer n'est pas justifier, mesurer n'est pas décider. SHAP révèle ce que le modèle fait, pas ce qu'il devrait faire ; Fairlearn mesure des écarts, ne les tolère ni ne les proscrit ; Opacus chiffre une garantie de confidentialité, ne juge pas si elle est suffisante. Les outils sont des révélateurs ; les décisions restent humaines et documentées.

Le règlement et le RGPD se superposent. Le module 8 régule le système, le module 9 régule les données ; un projet conforme à l'un peut violer l'autre. La bonne pratique est de tenir les deux cahiers en parallèle, avec la fiche de modèle qui pointe vers l'AIPD et réciproquement.

Liste de contrôle avant déploiement

À imprimer, à cocher, à faire signer par la personne responsable avant toute mise en production.

• Finalité du système écrite en une phrase et validée
• Personne responsable nommée, avec ses pouvoirs de rappel
• Base légale au RGPD identifiée pour chaque traitement, inscrite au registre
• Fiche de jeu de données rédigée (sept rubriques)
• Fiche de modèle rédigée (huit rubriques), avec usages hors périmètre
• Métriques d'équité mesurées par sous-groupe avec Fairlearn, choix justifié
• Explication locale (SHAP) accessible pour chaque décision affichée
• Notice au demandeur en langage clair, listant les facteurs principaux
• Traitement de vie privée documenté (k-anonymat au minimum, budget ε si applicable)
• Supervision humaine effective avec taux de renversement mesuré et publié
• Procédure de recours accessible, examinateur distinct, délai de 30 jours suivi
• Voie externe de recours indiquée dans la notice
• Classement au règlement européen sur l'IA effectué, obligations planifiées
• Analyse d'impact (AIPD) réalisée si le traitement présente un risque élevé
• Traçabilité des versions du modèle (MLflow ou équivalent) en place
• Plan de réentraînement et de surveillance de dérive défini

Une case non cochée est un signal, deux sont un aveu, trois sont une raison de reporter le déploiement.

L'examen final

L'examen comporte 40 questions couvrant les dix modules du cours. Il évalue votre capacité à raisonner sur des situations concrètes : identifier une variable de substitution dans une liste, choisir la métrique d'équité adaptée à un cas d'usage, lire une explication SHAP sans la surinterpréter, mesurer les conséquences d'un budget ε donné, repérer une fiche de modèle incomplète, diagnostiquer un biais d'automatisation, classer un système au règlement européen, et proposer la première correction à apporter à un audit défaillant.

Plusieurs questions présentent une situation en deux ou trois lignes et demandent le diagnostic prioritaire : cinq problèmes possibles, un seul est celui qu'un auditeur relèverait en premier. C'est le jugement qui est évalué, pas la récitation.

En cas de réussite au seuil de 70 %, votre attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable par tout tiers sur la plateforme, et elle mentionne explicitement les huit compétences travaillées du cours.

Avant de commencer

Reprenez la liste de contrôle ci-dessus et, pour chaque case, demandez-vous « où trouverais-je l'artefact qui la valide dans mon organisation ? ». Si trois cases restent floues, relisez le module correspondant avant l'examen. Bonne chance !

Examen final

Prêt à valider ce cours ?

40 questions tirées au hasard dans la banque du cours · seuil de réussite 70 % · certificat PDF vérifiable délivré immédiatement en cas de réussite.

Commencer l'examen

Connexion à votre compte InSkillML et abonnement actif requis. Vous pouvez aussi lancer l'examen depuis Mes cours.