Biais & non-discrimination : auditer avec des CV synthétiquesBias & non-discrimination: auditing with synthetic CVsSesgos y no discriminación: auditar con CV sintéticos
Parcours : IA pour les RH · OpérationnelCourse: AI for HR · PractitionerCurso: IA para RR. HH. · Operativo

≈ 15 min
Contexte
Pourquoi un outil RH peut être biaisé alors qu’il semble neutre.
Au programme de ce moduleIn this moduleEn el programa de este módulo
- 01Contexte≈ 15 min
- 02Explication≈ 20 min
- 03Démonstration≈ 20 min
- 04Cas pratique≈ 20 min
- 05Étude de cas≈ 20 min
- 06Exercice≈ 20 min
- 07Quiz≈ 5 min
Un modèle apprend sur des données historiques. Si ces données reflètent des recrutements passés inégalitaires, l’IA peut reproduire et amplifier ces biais, tout en paraissant objective parce qu’elle « calcule ». La neutralité apparente est le piège le plus dangereux : une décision biaisée habillée de mathématiques semble plus légitime qu’une décision biaisée prise à voix haute, alors qu’elle l’est tout autant, voire davantage si elle s’applique à grande échelle.
C’est le module qui outille le rempart évoqué au module 3 (l’audit qui a sauvé l’entreprise du scoring biaisé). On y apprend une technique concrète et reproductible, le test à CV synthétiques jumeaux, qui révèle des biais que les statistiques globales masquent.
Déjà vu, origine des biais dans un LLM : parcours « Fondamentaux de l’IA & IA Générative », module 3. Rappel en une phrase : un modèle hérite des biais de ses données d’entraînement ; ici nous mesurons et corrigeons ce biais sur un cas RH.
Objectifs d’apprentissage
Niveau N3, Industrialiser. À l’issue de ce module, vous saurez Identifier l’origine des biais (données, proxys, boucle de rétroaction), Industrialiser un audit de biais récurrent à l’aide de CV synthétiques (test à profils jumeaux, taux par groupe) et Décider des mesures correctives appropriées.