{"id":64403,"date":"2019-05-23T12:50:39","date_gmt":"2019-05-23T16:50:39","guid":{"rendered":"https:\/\/isarta.com\/infos\/?p=64403"},"modified":"2019-07-12T11:48:23","modified_gmt":"2019-07-12T15:48:23","slug":"ces-algorithmes-publicitaires-qui-discriminent-secretement-les-internautes","status":"publish","type":"post","link":"https:\/\/isarta.com\/infos\/ces-algorithmes-publicitaires-qui-discriminent-secretement-les-internautes\/","title":{"rendered":"Ces algorithmes publicitaires qui discriminent secr\u00e8tement les internautes"},"content":{"rendered":"

\"\"<\/p>\n

22 mai 2019<\/span><\/p>\n

Des chercheurs am\u00e9ricains ont mis en lumi\u00e8re des biais dans l’algorithme publicitaire de Facebook : les femmes verraient par exemple plus d’offres d’emplois sponsoris\u00e9es de secr\u00e9taire que de m\u00e9tiers dans l’intelligence artificielle. Un cas loin d’\u00eatre unique… et m\u00e9connu par les annonceurs eux-m\u00eames.<\/span><\/strong><\/span><\/p>\n

Un des facteurs ayant fait le succ\u00e8s de l’offre publicitaire de Facebook aupr\u00e8s des annonceurs est sa pr\u00e9cision de ciblage d’audiences<\/span><\/a>. Toutefois, c<\/span>e ciblage par genre, par origine ou encore par situation g\u00e9ographique am\u00e8ne des enjeux de discrimination<\/span><\/a>… m\u00eame pour les annonceurs qui souhaitent que leur publicit\u00e9 soit vue indistinctement de ces crit\u00e8res.<\/span><\/p>\n

On sait d\u00e9j\u00e0 que le minist\u00e8re am\u00e9ricain du Logement poursuit Facebook<\/span><\/a> pour pratiques discriminatoires. Par ses possibilit\u00e9s de ciblage par origine, religion ou encore situation familiale, l’entreprise contreviendrait aux lois en mati\u00e8re de discrimination.<\/p>\n

Le minist\u00e8re am\u00e9ricain du Logement n’est pas le premier \u00e0 accuser Facebook de telles pratiques, si bien que le r\u00e9seau social a annonc\u00e9 \u00e0 la fin mars qu’elle r\u00e9viserait ses options de ciblage pour certaines cat\u00e9gories de publicit\u00e9.<\/p>\n

Un biais dans le ciblage des abonn\u00e9s<\/span><\/strong><\/span><\/h2>\n

Une \u00e9tude men\u00e9e<\/span><\/a> par des chercheurs de l’Universit\u00e9 Northeastern a toutefois mis \u00e0 jour un autre type de discrimination, plus subtil cette fois, au niveau de l’algorithme de Facebook<\/span><\/a>. En effet, si la plateforme publicitaire du r\u00e9seau social permet aux annonceurs de choisir les caract\u00e9ristiques de leur public cible, son algorithme fait lui aussi des choix de ciblage lorsque vient le temps de livrer la publicit\u00e9 aux abonn\u00e9s du r\u00e9seau.<\/p>\n

C’est \u00e0 ce second niveau qu’on a d\u00e9montr\u00e9 que des publicit\u00e9s \u00e9taient pr\u00e9sent\u00e9es dans des proportions moindres aux femmes ou \u00e0 des abonn\u00e9s issus de minorit\u00e9s, sans qu’aucune volont\u00e9 n’ait \u00e9t\u00e9 exprim\u00e9e en ce sens par l’annonceur \u00e0 l’\u00e9tape initiale de ciblage.<\/p>\n

C’est le cas par exemple dans le cas d’offres d’emploi. Alors qu’une publicit\u00e9 faisant la promotion d’un poste en intelligence artificielle \u00e9tait pr\u00e9sent\u00e9e \u00e0 un auditoire masculin dans une proportion de 54\u00a0%, seulement 26\u00a0% d’entre eux composaient l’auditoire d’un poste en secr\u00e9tariat et 15\u00a0% pour un emploi dans un supermarch\u00e9.<\/p>\n

Parall\u00e8lement, cette publicit\u00e9 pour un poste en intelligence artificielle avait \u00e9t\u00e9 distribu\u00e9e \u00e0 un auditoire compos\u00e9 \u00e0 47\u00a0% d’abonn\u00e9s issus des minorit\u00e9s. Cette m\u00eame proportion \u00e9tait de 71\u00a0% pour un emploi de chauffeur de taxi et 64\u00a0% pour un emploi de concierge.<\/p>\n

Au-del\u00e0 des enjeux \u00e9thiques que cela am\u00e8ne (nous vous parlions il y a peu de la notion de risque algorithmique<\/span><\/a>), cela peut signifier une baisse de performance pour les annonceurs. \u00c0 titre d’exemple, pensons \u00e0 un employeur voulant \u00eatre le plus inclusif possible qui verrait ses offres d’emploi \u00eatre distribu\u00e9es en plus ou moins grande proportion \u00e0 des gens d’un certain sexe ou de certaines origines.<\/p>\n

Un probl\u00e8me r\u00e9pandu <\/strong><\/span><\/p>\n

Les constats soulev\u00e9s par l’\u00e9quipe de l’Universit\u00e9 Northeastern ne sont qu’un exemple parmi d’autres<\/a><\/span>. Des biais ont entre autres \u00e9t\u00e9 d\u00e9couverts dans plusieurs autres algorithmes, dont l’algorithme publicitaire de Google.<\/p>\n

Chez Amazon, apr\u00e8s avoir d\u00e9couvert que certains processus d’apprentissage machine d’aide au recrutement \u00e0 l’embauche discriminaient positivement<\/a><\/span> les hommes, l’entreprise a d\u00e9cid\u00e9 d’apporter des correctifs \u00e0 son programme pour amener plus de neutralit\u00e9.<\/p>\n

Dans ce cas pr\u00e9cis, Amazon a identifi\u00e9 le probl\u00e8me et l’a corrig\u00e9 dans la mesure du possible. M\u00eame chose chez Facebook, qui compte modifier ses pratiques. Toutefois, pour quelques organisations qui peuvent agir directement sur le probl\u00e8me, combien n’ont pas la connaissance pour le faire ou m\u00eame ne sont pas au courant des biais<\/a><\/span> qui se glissent dans leur processus d’embauche ou de ciblage publicitaire ?<\/p>\n

<\/span><\/p>\n
<\/div>\n","protected":false},"excerpt":{"rendered":"

Des chercheurs am\u00e9ricains ont mis en lumi\u00e8re des biais dans l’algorithme publicitaire de Facebook : les femmes verraient par exemple plus d’offres d’emplois sponsoris\u00e9es de secr\u00e9taire que de m\u00e9tiers dans l’intelligence artificielle. Un cas loin d’\u00eatre unique… et m\u00e9connu par les annonceurs eux-m\u00eames.
\nCe ciblage par genre, par origine ou encore par situation g\u00e9ographique am\u00e8ne toutefois des enjeux de discrimination, et ce m\u00eame pour les annonceurs qui souhaitent que leur publicit\u00e9 soit vue indistinctement de ces crit\u00e8res.<\/p>\n

<\/span>
<\/div>","protected":false},"author":2,"featured_media":55190,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[175,137,1],"tags":[738,186,206,705,896,224],"_links":{"self":[{"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/posts\/64403"}],"collection":[{"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/comments?post=64403"}],"version-history":[{"count":4,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/posts\/64403\/revisions"}],"predecessor-version":[{"id":65481,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/posts\/64403\/revisions\/65481"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/media\/55190"}],"wp:attachment":[{"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/media?parent=64403"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/categories?post=64403"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/isarta.com\/infos\/wp-json\/wp\/v2\/tags?post=64403"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}