#5.1 Le MIT classe 777 risques potentiels liés à l'IA
Decideo - Data Science, Big Data, Intelligence Augmentée
Release Date: 09/01/2024
Decideo - Data Science, Big Data, Intelligence Augmentée
Assemblée nationale : le rapport sur la souveraineté numérique préconise la création de syndicats de données Un concept déjà largement étudié au Québec (Canada) sous le nom de fiducie de données, mais pas encore développé en France. Vous avez très certainement lu les 453 pages du rapport de la commission d’enquête de l’Assemblée nationale sur la souveraineté numérique , publié le 8 juillet… et donc, vous n’êtes pas passé à côté de la proposition n° 4 : créer un statut de syndicat de données… Les plus de 400 pages du rapport...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Interdire ou empêcher : deux logiques de gouvernance à l’épreuve des données et de l’IA De passage sur TikTok pour y écouter parler de philosophie (si, si, on parle de philo sur TikTok… abonnez-vous par exemple au compte de @philo_sophia_) l’algorithme m’a conduit à une comparaison argumentée entre l’interdiction et l’empêchement. Faisant le parallèle avec les contextes de gouvernance des données et de l’intelligence artificielle, qui semblent si difficiles à faire accepter aux opérationnels, il m’a semblé porteur de poser quelques réflexions sur le...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Intelligence artificielle : comment redéfinit-elle le métier de directeur financier Clôtures accélérées, prévisions en temps réel, détection de fraude, assistants conversationnels embarqués dans l’ERP : l’intelligence artificielle n’est plus un horizon lointain pour les directions financières. Selon Deloitte, 87 % des DAF estiment qu’elle sera « extrêmement ou très importante » pour leur fonction en 2026. Ce que l’IA apporte vraiment Il faut commencer par distinguer deux familles de technologies. L’IA dite « traditionnelle » repose sur...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Nous recevons cette semaine les deux co-fondateurs de Dataloma, nouvel éditeur de progiciels spécialisé dans le context engineering encadrant les modèles d'IA générative : Laura Bonnafé, et Matthieu Fauchon. - Pourquoi la formalisation et la transmission d'un contexte sont indispensables pour améliorer les résultats de l'IA ? - Quelles sont les erreurs / risques diminués par la transmission d'un contexte ? - Pourquoi avoir lancé Dataloma ? Quelle stratégie souhaitez-vous déployer ?
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Le LLM va-t-il devenir l’interface unifiée de la gouvernance des données ? Récemment j’évoquais les raisons principales d’échec du déploiement de nombreux catalogues de données. En première ligne, l’absence d’adoption suffisante par les utilisateurs métiers. Doit-on refondre les interfaces utilisateurs ? Une nouvelle voie apparait : abandonner l’interface utilisateur ! Et la confier à un LLM qui interrogera, via un serveur MCP, la base de données du catalogue. L’habitude d’interroger un moteur de recherche pour obtenir une réponse a changé. Le...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Un catalogue social de données, orienté utilisateurs Il y a quelques mois, j’ai travaillé pour une grande entreprise sur la formalisation des caractéristiques du catalogue de données idéal. « Social et orienté vers ses utilisateurs » sont ressorties comme les caractéristiques essentielles d’un catalogue efficace en 2026… ou 2027. Un catalogue social, c’est-à-dire conçu comme tous les outils que nous utilisons au quotidien, qui favorisent l’interaction, la création de contenu par l’utilisateur, la simplicité d’utilisation, et l’intégration aux applications...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Pour parler d'IA, de ressources humaines et de données, nous recevons José Alberto Rodriguez Ruiz, Délégué à la protection des données (DPO) et responsable de la gouvernance de l’IA chez Cornerstone (Chief Data Protection & AI Governance Officer). - Comment les DRH utilisent-elles l'IA en 2026 ? A quelles étapes de la relation employeur-employé ? - Les données RH sont par essence des données personnelles. Comment s'assurer d'être conforme à la réglementation ? - Quels sont les risques liés aux usages de l'IA dans le domaine des RH et comment les éluder ? (discriminations,...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Quelques semaines après la fermeture du Salon de l’Agriculture, une question centrale se pose : et si une partie de la réponse à la crise agricole se trouvait dans une ressource déjà produite par les exploitations, mais encore largement invisible ? Chaque jour, les fermes françaises génèrent des données sur les sols, l’eau, le climat, les cultures ou les rendements. Ces informations ont une valeur stratégique. Elles alimentent les outils d’aide à la décision, les modèles d’intelligence artificielle et les services développés par les acteurs de l’agritech. Pourtant,...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
Alain Garnier, co-fondateur de Jamespot, est un ardent défenseur de la souveraineté numérique; l'occasion d'aborder ce sujet avec lui, sans filtre, et de réfléchir ensemble aux solutions pratiques, et non-extrémistes, qui s'offrent à nous, pour faire un bout de chemin en direction d'un numérique moins dépendant de la grande puissance américaine aujourd'hui, ou peut-être chinoise demain. - Vous dites : "Nous sortons d’une approche théorique de la souveraineté numérique. Désormais, la question centrale devient : est-ce que l’organisation peut continuer à fonctionner si cette...
info_outlineDecideo - Data Science, Big Data, Intelligence Augmentée
L’observabilité : attitude et outil du data steward Observer vient de la racine latine observare, qui signifie « noter ou considérer », mais aussi « garder en sécurité ou protéger ». Quelle belle proximité avec la fonction de data steward ! Or aujourd’hui le rôle du data steward n’est plus simplement de se préoccuper de qualité des données, mais réellement de mettre en œuvre l’observabilité. Plutôt qu’un steward, il est plutôt d’ailleurs un contrôleur aérien de vos data. Il ne pilote pas mais surveille et organisme le trafic et reporte les...
info_outlineLe MIT a recensé 777 risques potentiels liés à l’IA dans une base de données partagée gratuitement
Cet été, le MIT nous a fait un cadeau ! Le prestigieux organisme de recherche américain a publié un référentiel complet des risques liés à l’intelligence artificielle. L’objectif : vous aider à cartographier l’ensemble des risques qui pèsent sur votre entreprise afin de les mesurer, les quantifier et les mitiger par la suite.
Si vous suivez mes contenus sur le thème de la gouvernance des données et de l’intelligence artificielle, vous avez déjà été sensibilisé au fait que la mise en place d’un cadre de gouvernance passe par l’identification et la cartographie des risques.
Comment en effet atténuer quelque chose que l’on n’a pas référencé et mesuré ?
Première tâche donc, l’identification et la cartographie des risques en matière d’intelligence artificielle. Risques liés aux données, aux modèles, aux usages, les risques sont nombreux. Et l’IA Act européen prévoit d’ailleurs l’obligation de les identifier et de les suivre, afin de classifier les modèles d’IA en fonction des risques encourus.
Mais partir d’une feuille blanche et se gratter la tête en faisant le tour des bureaux n’est pas la méthode la plus efficace. Or il n’existait pas jusqu’à présent un référentiel unique, mais plusieurs référentiels, tous incomplets, et orientés.
Ces derniers mois, les équipes du MIT ont réalisé un travail de compilation et d’organisation de l’ensemble des référentiels qu’ils ont pu identifier ; regroupant l’ensemble des risques dans une taxonomie commune. The AI Risk Repository est donc un travail de synthèse des risques en provenance de 43 taxonomies différentes. Au total, 777 risques ont été identifiés, regroupés et ordonnés dans la taxonomie du MIT.
Ce travail de synthèse est fourni sous forme d’un fichier Excel ou Google Sheets. Avec 777 risques décrits, c’est évidemment beaucoup trop pour la très grande majorité des entreprises, et un important travail de compréhension et de sélection reste à faire.
Par ailleurs chaque entreprise devra évaluer le degré de survenance de ce risque dans sa propre organisation ; ainsi que les impacts de cette survenance sur son métier. Personne ne peut faire ce travail à votre place. Mais bien sûr, remercions le MIT pour cette synthèse qui permet de partir de quelque chose, d’envisager à peu près tous les cas possibles, et ainsi de progresser dans cette cartographie des risques liés à l’IA.
Le framework à déployer est donc le suivant :
- Commencez par prendre connaissance de la base de données des risques du MIT ;
- Sensibilisez la direction générale à l’importance, et parfois à l’obligation, de connaitre le niveau d’exposition de l’entreprise ;
- Programmez des ateliers avec les différentes personnes concernées, métier et informatique, afin de sélectionner dans la base du MIT les risques applicables à l’entreprise ;
- N’hésitez pas à vous faire accompagner dans cette phase afin de démarrer correctement ; un consultant spécialisé peut être un booster et un garde-fou ;
- Pour chacun de ces risques, évaluez leur probabilité de survenance, et les impacts, financiers et autres, de cette survenance éventuelle ;
- Reportez tout cela dans un outil spécialisé de gestion de risques ou à défaut dans une feuille Excel ;
- Mettez en place les stratégies de modération de ces risques ;
- Ne pas oublier de répéter ce processus, lorsque les risques changent ou au minimum une fois par an, afin de maintenir à jour cette cartographie.
Alors je vous entends déjà critiquer ! Jamais je n’aurai le temps de faire cela, la DG ne nous donnera pas de budget, encore un truc qui va rester sur les étagères, bla bla bla…
Vous avez raison de vous inquiéter ! Mais en même temps soyons direct, ce n’est pas un choix. Bien sûr, une PME peut choisir de prendre des risques, sans les mesurer, et en assumer par la suite les conséquences. Mais assurez-vous que cette décision de ne pas cartographier les risques liés à l’IA soit bien prise au plus haut niveau. Et un conseil, protégez vos arrières, et conservez bien la trace de cette décision.
Et si votre DG est plus raisonnable, et comprend l’importance de connaitre et mesurer ces risques, allez-y progressivement. Posez les premiers jalons, et commencez les ateliers. Tiens, par exemple, commencez par les nouveaux projets ! Un nouveau POC d’IA ? Dès la phase de POC, rapprochez-vous des équipes, abordez le sujet, et cartographiez les risques à la volée. En incluant la gouvernance de l’IA dans la phase de design des projets, le fameux « Governance by design », vous rendrez le sujet beaucoup plus fluide. C’est ce que j’appelle le DevSecGovOps, penser à la gouvernance dès la phase de conception, et en faire un élément essentiel de la mise en production.