Le plan Observateur est-il vraiment gratuit ?

Oui, sans limite de durée ni carte de crédit. Accédez au dashboard, enregistrez jusqu'à 3 systèmes IA et lancez votre diagnostic de maturité.

Combien de temps prend le diagnostic de maturité IA ?

Environ 10 minutes. Vous recevez un rapport complet avec un score de maturité et des recommandations personnalisées pour votre organisation.

Les données sont-elles sécurisées dans l'espace membre ?

Absolument. Hébergement Supabase avec chiffrement au repos et en transit, conforme aux exigences de la Loi 25 et du RGPD.

Quels cadres réglementaires IA couvrez-vous ?

Loi 25 (Québec), EU AI Act, NIST AI RMF, ISO/IEC 42001 et les principes OCDE. Chaque cadre dispose de son propre tableau de suivi dans les outils du Cercle.

Puis-je changer de plan à tout moment ?

Oui, passez du plan Observateur au Membre ou Expert quand vous le souhaitez. La transition est instantanée et vos données sont conservées.

Comment fonctionne le support du Cercle de Gouvernance de l'IA ?

Observateur : documentation en ligne. Membre : support par courriel sous 24h. Expert : support dédié avec temps de réponse garanti.

Domaine 1

Discrimination et toxicité

Risques liés à des systèmes d'IA qui discriminent, déforment la représentation des personnes ou exposent les utilisateurs à du contenu toxique.

Sous-domaines (3)

1.1

Discrimination injuste et représentation inexacte

Traitement inégal d'individus ou de groupes par l'IA, souvent fondé sur la race, le genre ou d'autres caractéristiques sensibles, conduisant à des résultats injustes et à une représentation inéquitable de ces groupes.

4 exemples QCVoir la fiche →

1.2

Exposition à du contenu toxique

IA qui expose les utilisateurs à du contenu nocif, abusif, dangereux ou inapproprié. Cela peut inclure des conseils ou l'incitation à l'action. Les exemples comprennent les discours haineux, la violence, l'extrémisme, les actes illégaux, le matériel pédopornographique, ainsi que les contenus contraires aux normes communautaires comme la grossièreté, les discours politiques incendiaires ou la pornographie.

2 exemples QCVoir la fiche →

1.3

Performance inégale entre les groupes

L'exactitude et l'efficacité des décisions et actions de l'IA dépendent de l'appartenance à un groupe ; les choix de conception et les biais dans les données d'entraînement entraînent des résultats inégaux, des bénéfices réduits, un effort accru et l'aliénation des utilisateurs.

2 exemples QCVoir la fiche →

Risques classés au niveau du domaine (8)

Entrées du AI Risk Repository (MIT) rattachées à ce domaine sans sous-domaine précis. Contenu original en anglais.

Entité

Intention

Moment

8 entrées

Risk CategoryWeidinger2021

17.01.00Discrimination, exclusion et toxicité

« Préjudices sociaux découlant du modèle linguistique produisant des discours discriminatoires ou exclusifs. »

IAIntentionnelPost-déploiement

Risk CategoryWeidinger2023

18.01.00Préjudices liés à la représentation et à la toxicité

Systèmes d'IA sous-représentant, surreprésentant ou représentant de manière erronée certains groupes, ou générant du contenu toxique, offensant, abusif ou haineux.

IAIntentionnelPost-déploiement

Risk CategoryWirtz2022

19.05.00Risques éthiques liés à l'IA

Dans le contexte des risques éthiques liés à l'IA, deux risques sont d'une importance particulière. Premièrement, les systèmes d'IA peuvent manquer d'une base éthique légitime pour établir des règles qui influencent grandement la société et les relations humaines (Wirtz & Müller, 2019). De plus, la discrimination basée sur l'IA fait référence à un traitement injuste de certains groupes de population par les systèmes d'IA. Étant donné que les humains programment initialement les systèmes d'IA, servent de source potentielle de données et ont un impact sur les processus de données et les bases de données associées, les biais et les préjugés humains peuvent également faire partie des systèmes d'IA et être reproduits (Weyerer & Langer, 2019, 2020).

AutreIntentionnelAutre

Risk CategoryZhang2023

28.02.00Iniquité et biais

Ce type de problème de sécurité concerne principalement les biais sociaux sur divers sujets tels que la race, le genre, la religion, etc. Les LLM sont censés identifier et éviter les expressions et actions inéquitables et biaisées.

IAAutrePost-déploiement

Risk Sub-CategoryZeng2024

50.04.02Discrimination/Biais (Activités discriminatoires)

AutreAutreAutre

Risk Sub-CategoryAbercrombie2024

58.07.11Stéréotypage

Stéréotypage - Stéréotypage péjoratif ou autrement nuisible, ou homogénéisation d'individus, de groupes, de sociétés ou de cultures en raison d'une mauvaise représentation, d'une surreprésentation, d'une sous-représentation ou d'une non-représentation d'identités, de groupes ou de perspectives spécifiques.

IAAutreAutre

Risk CategoryGipiškis2024

62.34.00Impacts de l'IA (Biais)

Risk CategoryLi2025

66.06.00-

Systèmes d'IA sous-représentant, surreprésentant ou mal représentant certains groupes ou générant du contenu toxique, offensant, abusif ou haineux.

IAIntentionnelPost-déploiement