Les syst\u00e8mes d\u2019intelligence artificielle connaissent une \u00e9volution tr\u00e8s rapide, marqu\u00e9e par l\u2019\u00e9mergence de mod\u00e8les de plus en plus complexes : LLM, mod\u00e8les multimodaux et, plus r\u00e9cemment, de syst\u00e8mes d\u2019IA agentiques capables d\u2019interactions complexes. Ces avanc\u00e9es s\u2019accompagnent d\u2019une augmentation significative de la complexit\u00e9 des architectures et des processus d\u2019entra\u00eenement, rendant les mod\u00e8les plus difficiles \u00e0 interpr\u00e9ter, \u00e0 analyser et \u00e0 auditer de mani\u00e8re syst\u00e9matique.<\/p>\n\n\n\n
Cette perte relative de transparence soul\u00e8ve des d\u00e9fis m\u00e9thodologiques importants pour l\u2019\u00e9tude des propri\u00e9t\u00e9s des mod\u00e8les, en particulier lorsqu\u2019il s\u2019agit d\u2019identifier et de caract\u00e9riser des biais. Dans un contexte o\u00f9, en 2025, les in\u00e9galit\u00e9s entre femmes et hommes persistent dans l\u2019ensemble de la soci\u00e9t\u00e9, et en particulier dans les formations et les m\u00e9tiers du num\u00e9rique, ces questions prennent une importance particuli\u00e8re. Parmi les biais \u00e9tudi\u00e9s, les biais de genre occupent ainsi une place centrale : ils sont \u00e0 la fois profond\u00e9ment ancr\u00e9s dans les donn\u00e9es d\u2019apprentissage, qui refl\u00e8tent ces d\u00e9s\u00e9quilibres structurels, et susceptibles d\u2019\u00eatre amplifi\u00e9s ou transform\u00e9s par les m\u00e9canismes internes des mod\u00e8les.<\/p>\n\n\n\n
Dans les architectures contemporaines, les biais de genre peuvent se manifester \u00e0 diff\u00e9rents niveaux, des repr\u00e9sentations latentes aux sorties g\u00e9n\u00e9r\u00e9es, en passant par les strat\u00e9gies d\u2019interaction dans les syst\u00e8mes agentiques. L\u2019opacit\u00e9 des mod\u00e8les rend alors difficile la compr\u00e9hension des processus par lesquels ces biais \u00e9mergent, se propagent et influencent les pr\u00e9dictions. <\/p>\n\n\n\n
Ces enjeux sont d\u2019autant plus critiques que ces syst\u00e8mes d\u2019IA peuvent se retrouver int\u00e9gr\u00e9s dans des contextes sensibles (orientation acad\u00e9mique, recrutement, sant\u00e9, \u2026), o\u00f9 les biais de genre peuvent avoir des effets cumulatifs et structurants. Dans ce cadre, l\u2019absence de transparence ne constitue pas seulement un obstacle scientifique, mais \u00e9galement un d\u00e9fi pour l\u2019\u00e9valuation, la r\u00e9gulation et la conception de syst\u00e8mes \u00e9quitables.<\/p>\n\n\n\n
Cet atelier vise \u00e0 rassembler chercheuses, chercheurs, expert\u00b7es et professionnel\u00b7les autour des biais de genre dans les syst\u00e8mes d\u2019IA. Il propose un espace interdisciplinaire de discussion et de partage, permettant de confronter approches, m\u00e9thodes, r\u00e9sultats et retours d\u2019exp\u00e9rience, et de faire \u00e9merger des perspectives communes sur les enjeux, les verrous scientifiques et les pistes m\u00e9thodologiques li\u00e9s aux biais de genre dans les syst\u00e8mes d\u2019IA de nouvelle g\u00e9n\u00e9ration.<\/p>","protected":false},"excerpt":{"rendered":"
Les syst\u00e8mes d\u2019intelligence artificielle connaissent une \u00e9volution tr\u00e8s rapide, marqu\u00e9e par l\u2019\u00e9mergence de mod\u00e8les de plus en plus complexes : LLM, mod\u00e8les multimodaux et, plus r\u00e9cemment, de syst\u00e8mes d\u2019IA agentiques capables d\u2019interactions complexes. Ces avanc\u00e9es s\u2019accompagnent d\u2019une augmentation significative de la complexit\u00e9 des architectures et des processus d\u2019entra\u00eenement, rendant les\u2026<\/p>\n