Biais algorithmique et fairness

💡Explication simple

Si tu entraînes un modèle de recrutement sur des données historiques où 80% des ingénieurs embauchés étaient des hommes, le modèle va apprendre que 'être un homme' est un signal positif pour un poste d'ingénieur. Ce n'est pas une erreur technique — le modèle apprend bien les patterns des données. C'est un biais sociétal amplifié par l'algorithme. Le biais peut venir des données (sous-représentation), du choix des variables (le code postal comme proxy de l'origine ethnique) ou de la métrique d'optimisation (précision moyenne qui masque des performances inégales par groupe).

✅ Avantages

⚠️ Limites