Les femmes & l'intelligence artificielle
D'Ada Lovelace, qui imagina le premier algorithme, à la recherche contemporaine sur l'éthique des modèles — une galerie des pionnières, une frise des contributions, et un regard lucide sur les biais de genre dans les systèmes d'IA.
Un quiz rapide pour cerner vos envies dans l'univers de la culture au sens large et recevoir une sélection personnalisée par email.
Douze trajectoires réelles. Cliquez sur une étoile : sa fiche s'enrichit en direct du résumé de Wikipédia, source et date affichées.
Quelques jalons documentés, des premiers algorithmes aux débats actuels sur l'éthique de l'IA.
Comprendre, sans dramatiser ni minimiser. Chaque point renvoie à un travail ou un fait documenté — aucune statistique inventée.
Un modèle d'IA apprend à partir de données issues du monde tel qu'il est. Lorsque les femmes y sont sous-représentées, ou associées à certains rôles, le modèle peut reproduire et accentuer ces associations plutôt que de les corriger.
Source : Notion largement établie en apprentissage automatique (« biais des données »).
Des modèles de langue entraînés sur de grands corpus peuvent associer certains métiers à un genre. Des travaux de recherche ont montré que des représentations vectorielles de mots encodaient ce type de stéréotypes.
Source : Bolukbasi et al., 2016 (représentations de mots et stéréotypes de genre).
En 2018, Amazon a abandonné un outil expérimental de tri de CV après avoir constaté qu'il désavantageait les candidatures associées à des indices féminins. L'information a été rapportée publiquement par l'agence Reuters.
Source : Reuters, 2018 (outil de recrutement expérimental abandonné par Amazon).
L'étude « Gender Shades » (2018) a mesuré des écarts de précision des systèmes commerciaux d'analyse faciale, plus élevés pour les femmes, en particulier à la peau foncée — un signal d'alerte sur l'évaluation des systèmes d'IA.
Source : Joy Buolamwini & Timnit Gebru, « Gender Shades », 2018.
Un rapport de l'UNESCO de 2019 a alerté sur le fait que des assistants vocaux dotés par défaut de voix féminines et de réponses serviles pouvaient véhiculer des stéréotypes de genre.
Source : UNESCO, « I'd blush if I could », 2019.
Concevoir, tester et auditer les systèmes d'IA avec des équipes diverses aide à repérer plus tôt des angles morts. La place des femmes dans la recherche et l'ingénierie de l'IA est donc aussi un enjeu de qualité et de fiabilité.
Source : Constat partagé par de nombreux travaux sur l'éthique et la gouvernance de l'IA.
Évaluez n'importe quel outil IA du quotidien — chatbot, recrutement automatisé, reconnaissance vocale, recommandation algorithmique — en 10 critères documentés. Cochez ce que vous observez : chaque critère révèle son explication factuelle et un conseil d'action. Le score se calcule en temps réel.
Cochez les critères que vous avez pu vérifier pour obtenir votre évaluation.
Cette grille est un outil pédagogique, non un audit officiel. Elle s'appuie sur des travaux documentés en éthique de l'IA. Les critères non cochés ne signifient pas nécessairement qu'ils ne sont pas remplis : l'information peut simplement ne pas être publiquement disponible. Elle est conçue pour vous donner une grille d'analyse réutilisable et à partager.
7 questions tirées de faits réels — obtenez votre badge et découvrez la fiche de chaque pionnière à chaque réponse.
7 questions tirées de faits réels pour tester vos connaissances sur les femmes qui ont façonné l'informatique et l'IA. À chaque réponse, accédez directement à la fiche de la pionnière concernée.
Non. Nos outils sont pensés pour être utilisés par tout le monde, sans coder.
Oui, vos données restent confidentielles et ne sont jamais revendues.
De nombreuses fonctionnalités sont accessibles gratuitement, avec des options avancées payantes.
Une question, un besoin ? On vous répond rapidement.