mise en œuvre de l’IA dans les organisations est-elle compatible avec une société éthique?
Notice bibliographique
Résumé
Cet article expose les compétences essentielles à la gestion de l’intelligence artificielle (IA) dans les organisations en mettant l’accent sur la dimension éthique, mais sans négliger les enjeux d’un point de vue managérial, technique, humain, inclusif et responsable. En effet, dans le contexte de changement associé à la transformation numérique, les organisations qui se numérisent, en intégrant l’IA, ont besoin d’identifier les enjeux éthiques et les compétences requises associées pour gérer des projets d’IA. Les enjeux liés au développement et à la gestion des projets d’IA sont complexes et différents de ceux liés à la gestion traditionnelle des projets informatiques. Cette complexité soulève des questions éthiques, juridiques et de responsabilité sociale (du point de vue de l’équité, de la diversité et de l’inclusion) en matière d’IA; celles-ci auront des implications sur les compétences attendues des gestionnaires de projets d’IA à l’avenir. Notre recherche visait à identifier ces enjeux et à les décrire en matière de compétences, ce que nous avons fait au moyen d’entrevues et de groupes de discussion avec des experts de la communauté de l’IA, dans le contexte plus large d’une recherche sur la gestion de l’IA. Cet article porte surtout sur les enjeux éthiques dégagés de notre revue des écrits et des rencontres avec des experts de l’IA et leur résonance dans l’écosystème d’IA québécois; nous nous concentrons donc ici sur les questions d’éthique, de transformation du marché du travail, de gouvernance et de responsabilité sociale.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».