Navigation – Plan du site

AccueilNuméros41L'algorithme, espace et objet de ...Comprendre les algorithmes, leurs...

L'algorithme, espace et objet de débats ?

Comprendre les algorithmes, leurs risques et leurs promesses

Que recouvre le champ de recherche des algorithmes ? Quelles en sont les limites et les perspectives de développement ?
Understanding algorithms, their risks and promises. What does the field of algorithmic research cover? What are the limits and perspectives of development?
Vincent Cohen-Addad
p. 281-290

Résumés

Après avoir défini ce qu’est un algorithme, nous proposons dans cet article un panorama du champ de recherche de l’algorithmique. Son évolution a conduit à ajouter à une propriété prescriptive une dimension descriptive, compte tenu de l’utilité des algorithmes à expliquer le monde qui nous entoure.  Nous identifions aussi différentes limites dans la pratique, dont la difficile formalisation de certains problèmes en langage mathématique ou l’incapacité à expliquer certains algorithmes obtenus au travers des méthodes d’apprentissage. Limitations que nous formalisons au travers de la notion de « contrat algorithmique ». Cet article se conclut en évoquant les récentes pistes de recherche apparues afin de limiter les biais occasionnés par les mésusages des algorithmes. Enfin, nous posons la question de l’encadrement normatif de ces derniers mais également celle de leur régulation.

Haut de page

Texte intégral

1L’omniprésence des ordinateurs dans la vie occidentale actuelle, sous des formes diverses à travers des téléphones portables, des tablettes, de l’informatique dématérialisée, a propulsé la notion d’algorithme au cœur des débats de société : des systèmes de santé aux systèmes judiciaires, en passant par exemple par leur rôle dans la diffusion de l’information. Comprendre la notion d’algorithme, ce qu’elle englobe et ce à quoi s’intéresse le champ de recherche associé, l’algorithmique, est capital pour la démocratie : pour que les citoyens puissent bénéficier des fruits de la recherche en algorithmique et pour qu’ils puissent guider la recherche.

Qu’est-ce qu’un algorithme ?

2Il existe différentes définitions de la notion d’algorithme mais l’une des plus pertinentes est celle proposée par la Commission nationale de l’informatique et des libertés (Cnil) : « Un algorithme est la description d’une suite d’étapes permettant d’obtenir un résultat à partir d’éléments fournis en entrée1 ». Cette définition a l’avantage de dissocier l’aspect technologique de la notion d’algorithme. En effet, la Cnil poursuit : « Par exemple, une recette de cuisine est un algorithme permettant d’obtenir un plat à partir de ses ingrédients » (ibid.) et la cuisine est effectivement une comparaison souvent choisie pour la vulgarisation scientifique de la notion d’algorithme. De la même façon, une partition de musique peut être vue comme un algorithme : en lisant la partition, on lit une suite d’étapes permettant d’obtenir un résultat, une interprétation d’un morceau de musique.

  • 2 Les ribosomes sont des complexes biologiques composés de protéines et d’ARN qui servent à synthéti (...)

3Un autre exemple intéressant est l’origami, l’art de plier du papier pour obtenir des figurines. Dans ce cas, l’algorithme est la suite de pliures à effectuer pour réaliser la figurine souhaitée (une cocotte en papier par exemple). Un autre exemple encore est l’algorithme permettant de créer une protéine à partir d’un brin d’ARN (acide ribonucléique) messager (ARNm). Dans ce cas-ci, le ribosome2 « lit » un brin d’ARNm et produit une protéine bien précise (décrite par le brin d’ARNm). Il y a un algorithme (qui n’est pas nécessairement compris précisément par l’homme) qui prend en entrée un brin d’ARNm et décrit une suite d’opérations à effectuer (des réactions chimiques par exemple) pour générer la protéine désirée. On peut citer d’autres exemples, plus techniques, pour lesquels le concept d’algorithme apporte un éclairage important sur le domaine, ou ouvre de nouvelles perspectives (Doty, 2012 ; Goldshtein et al., 2020).

4Terminons cette liste par l’exemple plus classique de la multiplication : pour multiplier deux nombres, on enseigne à l’école primaire un algorithme. La suite d’opérations à effectuer est de commencer par prendre le chiffre des unités d’un des deux nombres (c’est-à-dire le chiffre le plus à droite) et de le multiplier à l’autre nombre. Cette opération s’effectue en multipliant ce chiffre à celui des unités de l’autre nombre, puis à celui des dizaines et d’ajouter la retenue, puis celui des centaines et d’ajouter la retenue, etc. Ensuite, on multiplie le chiffre des dizaines du premier nombre au deuxième nombre, et on multiplie le résultat par dix, etc. Puis on termine en sommant les nombres ainsi obtenus.

5Apportons un bémol à la comparaison faite avec la partition de musique et la recette de cuisine : plusieurs interprétations d’une même partition ou d’une même recette sont possibles (sinon les pianistes pourraient être remplacés par des pianos mécaniques, et tout le monde pourrait ouvrir un restaurant étoilé) alors qu’un algorithme ne laisse pas de place à l’interprétation (voir aussi l’ouvrage de Bernard Chazelle [2013]).

6Les exemples ci-dessus permettent de distinguer l’algorithme de l’exécutant et des données d’entrée. L’exécutant est l’acteur qui réalise la suite d’opérations prescrite par l’algorithme (un être humain, un ordinateur, un ribosome). Les données d’entrée sont les éléments auxquels l’algorithme est appliqué : lorsque l’on effectue la multiplication de 31 et de 15, on réalise le même algorithme que lorsqu’on effectue la multiplication de 789 034 et de 897 121 : l’algorithme que l’on a appris à l’école primaire. Ici les deux nombres à multiplier sont les données d’entrée. Bien entendu, le nombre d’opérations prescrites par l’algorithme (et donc le temps que cela va nous prendre pour l’exécuter) dépend de la taille des nombres donnés en entrée (l’algorithme nous dit de multiplier chiffre par chiffre en propageant la retenue de droite à gauche et donc prend un temps qui dépend du nombre de chiffres).

L’algorithmique, un champ de recherche théorique et appliquée

  • 3 Pour simplifier l’exposition, le nombre d’opérations discuté est le nombre d’opérations asymptotiq (...)

7Tâchons maintenant d’expliquer ce que recouvre le champ de recherche de l’algorithmique. Pour cela, continuons avec l’exemple de la multiplication pour nous intéresser au nombre d’opérations élémentaires que l’algorithme nous demande de faire. Disons qu’une opération élémentaire est une multiplication de deux chiffres. Si l’on nous donne deux nombres, par exemple 789 034 et 897 121, on peut dire que leur « taille » est le nombre de chiffres qui les composent, ici 6 pour chacun des deux. L’algorithme que l’on a appris à l’école primaire va nous demander d’effectuer en tout un nombre d’opérations élémentaires de l’ordre de 6 x 6 (chaque chiffre du premier nombre est multiplié à chaque chiffre du second nombre). On va donc dire que l’algorithme appris à l’école primaire a un temps de calcul quadratique : la multiplication de deux nombres de taille n demande n² opérations élémentaires. Le champ de recherche de l’algorithmique va poser la question de savoir si cet algorithme est optimal ; comprendre s’il n’existe pas un autre algorithme de multiplication qui demanderait moins d’opérations élémentaires. La réponse, peut-être surprenante, est qu’il existe en effet des algorithmes plus efficaces pour la multiplication : l’algorithme de Schönhage-Strassen (Schönhage et Strassen, 1971) puis l’algorithme de Fürer (2007) demandent d’effectuer un nombre d’opérations élémentaires de l’ordre de (n log n log log n) et d’environ (n log n) ce qui est significativement moins que l’algorithme que l’on apprend à l’école primaire. Par exemple, pour multiplier 10 982 001 et 85 756 356 (deux nombres de taille 8), l’algorithme de l’école primaire de complexité n² exige d’effectuer 8 x 8 = 64 multiplications de chiffres alors qu’un algorithme avec une complexité n log n exige seulement d’effecteur 8 x log 8 = 24 opérations3. La question de savoir s’il existe un algorithme linéaire (c’est-à-dire demandant un nombre d’opérations élémentaires de l’ordre de n) est une question toujours ouverte.

8Le champ de recherche de l’algorithmique, fondamentalement et de la façon dont il s’est construit par la suite, s’intéresse donc à la complexité – comprendre le nombre d’opérations élémentaires nécessaires à la résolution de différents problèmes mathématiques (ici un problème mathématique est un problème qu’on peut formuler en langage mathématique [Papadimitriou, 2014]). Il permet ainsi d’obtenir des programmes informatiques permettant de résoudre rapidement des problèmes divers (faire une recherche Internet, calculer un itinéraire, décider de la répartition de certaines ressources, etc.). Il est donc à vocation prescriptive, il produit des solutions (des algorithmes) de plus en plus efficaces à des problèmes mathématiques, et permet ainsi de classer les problèmes en fonction de leur complexité. L’omniprésence des algorithmes dans nos environnements, comme ceux illustrés plus haut, a conduit l’algorithmique à prendre plus récemment une dimension descriptive, qui déborde sur d’autres disciplines pouvant aller de l’économie à la biologie. On peut ainsi s’intéresser aux algorithmes présents dans la nature (du rôle du sexe dans l’évolution [Livnat et Papadimitriou, 2016]), à l’algorithme implémenté par les fourmis pour trouver leur nourriture efficacement (Gelblum et al., 2020), et pourquoi pas à l’algorithme du ribosome et essayer d’en comprendre les différentes opérations, leur efficacité, le rôle du hasard dans ces algorithmes.

9La rencontre de l’algorithmique et de l’économie, et plus précisément de la théorie des jeux, au début des années 2000 est un bon exemple de cette nouvelle dimension descriptive, ici d’essence interdisciplinaire. Dans ce contexte, le but est de définir un ensemble de règles pour régir un marché de sorte que si chaque acteur du marché implémente l’algorithme qui lui est le plus avantageux étant donné les règles (ou dans d’autres termes, adopte un comportement « rationnel » vis-à-vis du système), alors le système termine dans un état souhaité (par exemple une répartition équitable des ressources, ou une absence de monopole). On peut aussi s’intéresser à l’écart de richesses induit par l’absence de règles dans un marché comparé à une répartition équitable des richesses et ainsi essayer de contraindre les comportements des acteurs du système (en supposant qu’ils se comportent « rationnellement ») afin d’obtenir une répartition plus équitable. Pour cela, on fait appel à l’ensemble des techniques développées par la recherche en algorithmique dans les quarante dernières années (Nisan et al., 2007).

10Le champ de la recherche en algorithmique prend donc essentiellement deux formes. D’une part, la forme fondamentale et originelle qui vise à étudier et classer des problèmes mathématiques et qui continue d’avoir un impact important sur le développement de nouvelles méthodes pour la résolution de problèmes mathématiques issus de divers champs de recherche. D’autre part, l’exploration d’autres champs de recherche (comme l’économie, la biologie, etc.) au travers du prisme algorithmique (en anglais « the algorithmic lens » [Papadimitriou, 2007]) qui applique la méthode algorithmique pour analyser des systèmes complexes, des phénomènes naturels ou sociétaux. D’autres exemples de cette deuxième forme comprennent par exemple la théorie de l’évolution, la biologie ou les neurosciences.

Les algorithmes dans nos quotidiens en 2022

11La volonté d’automatiser les tâches harassantes ou impossibles à réaliser par l’humain a été un moteur du développement de l’informatique depuis ses origines. La disponibilité de grandes quantités d’informations, conjuguée à l’augmentation de la puissance de calcul et à des algorithmes plus efficaces, ont conduit les programmes informatiques à décider en partie, implicitement ou explicitement, nos quotidiens. Il y a plusieurs avantages notables à utiliser des algorithmes pour effectuer certaines tâches bien définies. Il est par exemple naturel, voire souhaitable, de chercher à automatiser une tâche pénible (physiquement ou moralement) qui demande de réaliser une suite d’opérations précisément définies – qui puisse ainsi être décrite par un algorithme. Par exemple, réaliser une multiplication est précisément défini : le résultat est clair et ne demande pas à l’exécutant d’interpréter les opérations. On peut ainsi s’accorder qu’il y a un bénéfice à automatiser la multiplication plutôt qu’à la faire calculer par des humains.

12Un problème commence à se poser lorsque le résultat désiré est difficilement « formalisable », au sens mathématique du terme, c’est-à-dire difficile à définir dans un langage mathématique. Par exemple, automatiser l’interprétation d’une partition de musique est possible mais conduira à une interprétation moins réussie que celle d’un excellent musicien. La différence est de même nature que la différence entre une recette de cuisine et un plat réalisé par un chef étoilé. Un problème peut être automatisé lorsque (1) la suite d’opérations pour le résoudre est connue, et (2) cette suite est suffisamment précise pour être réalisée par un ordinateur ; en d’autres termes, elle ne laisse pas de place à l’interprétation. En quelque sorte, on peut se mettre d’accord, nous les humains d’une part, et l’ordinateur qui ne comprend que les mathématiques d’autre part, sur le résultat attendu ; on peut passer un « contrat algorithmique ».

13Une fois que le contrat algorithmique est établi, c’est-à-dire que le problème à résoudre est défini mathématiquement, on peut demander aux chercheurs en informatique de concevoir une suite d’opérations pour le résoudre (afin de répondre à (1) ci-dessus). Bien entendu, cette tâche peut s’avérer extrêmement ardue, voire impossible : il existe des problèmes pour lesquels il n’y a pas d’algorithme pour les résoudre – on peut penser au dixième problème de Hilbert4  : Martin Davis, Yuri Matiyasevich, Hilary Putnam et Julia Robinson ont montré qu’il n’existe pas d’algorithme pour résoudre n’importe quelle équation diophantienne.

Quels contrats algorithmiques ?

14On peut alors se demander : pour quels problèmes peut-on passer un contrat algorithmique ? Ou en d’autres termes, quels problèmes peuvent être définis mathématiquement ? La réponse à cette question est à la fois subjective (c’est une question de modélisation qui peut par exemple dépendre de la sensibilité de l’application finale) et en constante évolution. Par exemple, si l’on cherche à décider si une photo donnée est une photo de chien ou de chat, il est difficile de donner à la fois une liste de critères exhaustive définissant un chat, c’est-à-dire de définir un chat au sens mathématique de sorte à pouvoir en identifier un sur une photo. Par exemple, vérifier si l’animal a les oreilles pointues demande de définir « pointu » précisément, etc. Il y a un grand nombre de problèmes qui semblent simples à un humain mais dont le résultat désiré n’est pas aussi facilement exprimable mathématiquement que le résultat désiré d’une multiplication.

15Pour résoudre ce type de problèmes, les chercheurs en informatique ont développé une autre classe d’algorithmes. Les algorithmes ne sont pas conçus explicitement par les chercheurs mais appris (grâce à des mécanismes sophistiqués) : on parle ainsi d’apprentissage machine. En apprentissage machine, on définit une certaine fonction et l’on voudrait par exemple que cette fonction associe l’étiquette « chien » à chaque image de chien, et l’étiquette « chat » à chaque image de chat. Comme on ne sait pas définir mathématiquement une image de chien ou de chat, on ne peut pas écrire la fonction directement et on va donc essayer de déduire la définition mathématique d’une image de chien ou de chat. Pour cela, on va utiliser un grand nombre d’images déjà étiquetées, c’est-à-dire pour lesquelles on sait déjà si l’image est une image de chien ou de chat, et on va essayer la fonction sur ces images. On utilise ensuite des algorithmes, dits d’apprentissage, pour corriger la fonction lorsqu’elle se trompe et petit à petit inférer la fonction recherchée. Cette approche a permis d’obtenir des résultats exceptionnels au cours des dix dernières années, dans de nombreux domaines de recherche, et promet de donner encore de belles avancées.

16Dans les cas où cette technique a été la plus efficace, la fonction est représentée sous la forme d’un réseau de neurones (neural network en anglais), ou plus simplement un circuit dans lequel l’information passe au travers de portes appliquant diverses fonctions mathématiques (les avancées techniques sur les réseaux de neurones au cours des dernières décennies ont par ailleurs été récompensées par le prix Turing5 en 2018). En termes de performances, il y a de nombreux avantages à utiliser une telle représentation. En revanche, il n’est pas toujours aisé d’expliquer l’algorithme réalisé par un réseau qui a appris une certaine tâche (par exemple différencier les chiens des chats) : l’algorithme réalisé par le réseau est appris et écrit par l’ordinateur « pour » l’ordinateur. On peut souvent comprendre beaucoup d’opérations effectuées par le réseau (comme le fait que le réseau repère certaines parties de l’animal pour différencier les chiens et les chats, etc.) mais rarement tout l’algorithme, et de la même façon que l’humain ne peut expliquer précisément l’algorithme qui lui permet de différencier les chats et les chiens, on ne peut expliquer très précisément la façon dont le réseau est arrivé au résultat (voir, par exemple, l’article de Bolei Zhou et al. [2018]). Le contrat algorithmique est rompu : il y a un flou à la fois sur ce que demande l’humain et sur ce que produit l’algorithme.

17Dans certains cas, l’absence de contrat n’est pas problématique, en particulier si l’on peut vérifier la solution proposée. Si on cherche un itinéraire pour aller de Paris à Marseille et que la machine nous donne un itinéraire, il n’est pas nécessaire de savoir précisément comment la machine a calculé l’itinéraire du moment que l’itinéraire nous satisfait.

18En revanche, pour un grand nombre de tâches, il est nécessaire de comprendre la façon dont le résultat est obtenu, comme pour des décisions de justice, des classements d’étudiants, des sélections de candidats, des décisions médicales, etc. Le recours à des algorithmes qui donnent le bon résultat sans l’expliquer est difficilement acceptable : peut-on accepter une décision de justice sans en connaître la motivation ? Peut-on croire à l’efficacité d’une décision si on ne connaît pas le cheminement de pensée qui a conduit à cet arbitrage ? Par ailleurs, les performances admirables de ces algorithmes les amènent à être déjà appliqués, en particulier aux États-Unis, pour par exemple décider d’une mise en liberté conditionnelle, pour attribuer des aides sociales, décider de contrôles sociaux, etc. Ces performances sont parfois meilleures que lorsque la tâche est réalisée par l’humain (par exemple l’algorithme prédit plus précisément qu’un humain si un criminel est susceptible de récidiver).

19L’absence de contrat algorithmique doit être rédhibitoire dans un grand nombre de cas : une étude de journalistes américains a montré qu’un outil d’aide à la décision utilisé pour prédire si un criminel pouvait être mis en liberté conditionnelle utilisé dans plusieurs États des États-Unis faisait bien plus d’erreurs de prédictions (en proportion) sur les criminels à la couleur de peau noire que sur les autres (Angwin et al., 2016). Par ailleurs, Amazon s’est rendu célèbre en révélant que son algorithme de sélection de candidats qui devait sélectionner les meilleurs curriculum vitæ dans un large ensemble de candidats ne choisissait que des hommes (Jain, 2017). Dans ce dernier exemple, l’humain pense passer un contrat avec la machine pour trouver les meilleurs candidats mais la machine sélectionne simplement les candidats masculins. Le biais venait de la façon et à partir de quelles informations l’algorithme a appris : si l’algorithme apprend à partir d’un ensemble de données dans lequel seuls les candidats masculins sont sélectionnés, il reproduira ce biais (l’algorithme n’a pas « conscience » de la tâche qu’il lui est demandé de résoudre) – en fait, il apprend le biais sous-jacent. Lorsqu’une telle erreur est faite par un géant des technologies qui dispose d’un grand nombre de chercheurs et d’ingénieurs spécialisés en apprentissage machine, on peut craindre que ce type d’erreurs se répande, surtout si les systèmes sont conçus et appliqués par des personnes moins expertes et dans un contexte où aucun contrôle n’est imposé (Dastin, 2018).

20Les différents exemples d’applications d’algorithmes amplifiant ou créant de nouveaux biais ont donné naissance au champ de recherche de l’« explicabilité » (explainability en anglais) qui vise à développer des techniques d’apprentissage machine pour lesquelles on peut expliciter l’algorithme encodé dans le réseau de neurones en langage humain, et ainsi restaurer un contrat algorithmique (Bibal et al., 2021 ; Burkart et Huber, 20216). D’autres chercheurs travaillent au développement de techniques pour détecter les biais potentiels introduits par les algorithmes, et sur des méthodes d’apprentissage machine qui soient « équitables » : par exemple, des méthodes qui ne sélectionnent pas un mauvais candidat masculin s’il existe un bon candidat féminin non sélectionné (Hardt et Barocas, 2017).

21Ajoutons que les techniques d’apprentissage machine, et les algorithmes plus généralement, ont tendance à répliquer, voire amplifier, les biais de nos sociétés actuelles. Ils sont le fruit de nos sociétés : qu’ils aient été appris à partir de données issues de nos sociétés (et donc contenant les défauts de nos sociétés : racisme, sexisme, etc.) ou qu’ils aient été développés directement par des chercheurs vivant dans nos sociétés. Il faut donc développer des algorithmes en ayant conscience du risque, en travaillant sur la correction des biais. On peut voir cela comme une opportunité d’identifier, d’expliciter et d’agir sur les biais actuels de nos sociétés. Concrètement, les techniques mises au point pour détecter des biais sur les algorithmes guidant des décisions de justice peuvent être utilisées directement pour détecter des biais dans des décisions de justice faites par des humains (eux aussi susceptibles de reproduire des biais) : c’est ainsi une opportunité de corriger des biais introduits par les décisions humaines.

Conclusion

22Nous pouvons souhaiter que des normes et des critères de qualité précis soient établis, conjointement par des chercheurs en informatique mais aussi en sociologie, philosophie, etc., et que seuls les algorithmes satisfaisant ces critères de qualité puissent être appliqués à grande échelle (rappelons que la loi française interdit qu’une décision administrative soit prise par des systèmes d’apprentissage, mais n’interdit pas de l’utiliser pour aider la décision). De la même façon qu’une ceinture de sécurité doit satisfaire une certaine norme en passant des tests certifiés, un algorithme guidant des décisions de justice devrait satisfaire une norme élaborée par des chercheurs et les principaux acteurs industriels. Un algorithme qui déciderait quels citoyens contrôler devrait satisfaire une norme qui garantisse l’absence de discrimination vis-à-vis d’une minorité quelle qu’elle soit (par exemple la garantie de l’absence de contrôles au faciès).

23Enfin, le développement de l’algorithmique et de l’apprentissage machine est aujourd’hui porteur de belles promesses pour nos quotidiens, pour se débarrasser un peu plus des tâches ingrates (voitures autonomes par exemple) ou pour faire avancer d’autres domaines scientifiques (la médecine notamment). Mais pour que seules les belles promesses se réalisent, il est urgent d’encadrer son utilisation et d’établir des garde-fous, en concertation avec les différents acteurs (académiques, politiques et économiques) et de façon interdisciplinaire.

Haut de page

Bibliographie

Angwin J., Larson J., Mattu S. et Kirchner L., 2016, « Machine Bias », ProPublica, 23 mai. https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

Bibal A., Lognoul M., Streel A. (de) et Frénay B., 2021, « Legal requirements on explainability in machine learning », Artificial Intelligence and Law, 29 (2), p. 149-169.

Burkart N. et Huber M. F., 2021, « A survey on the explainability of supervised machine learning », Journal of Artificial Intelligence Research, 70, p. 245-317.

Chazelle B., 2013, L’Algorithmique et les sciences. Leçon inaugurale prononcée le jeudi 18 octobre 2012, Paris, Collège de France. http://book.openedition.org/cdf/1296

Dastin J., 2018, « Amazon scraps secret AI recruiting tool that showed bias against women », Reuters, 11 octobre. https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G

Doty D., 2012, « Theory of Algorithmic Self-Assembly », Communications of the ACM, 55 (12), p. 78-88. https://cacm.acm.org/magazines/2012/12/157881-theory-of-algorithmic-self-assembly/fulltext

Fürer M., 2007, « Faster Integer Multiplication », Proceedings of the 39th annual ACM Symposium on Theory of Computing (STOC), San Diego, États-Unis, 11-13 juin.

Gelblum A, Fonio E., Rodeh Y., Korman A. et Feinerman O., 2020, « Ant collective cognition allows for efficient navigation through disordered environments », eLife. https://elifesciences.org/articles/55195

Goldshtein A., Handel M., Eitan O., Bonstein A., Shaler T., Collet S., Greif S., Medellín R. A., Emek Y., Korman A. et Yovel Y., 2020, « Reinforcement Learning Enables Resource Partitioning in Foraging Bats », Current Biology, 30, p. 4096-4102. https://www.cell.com/current-biology/pdf/S0960-9822(20)31138-6.pdf

Hardt M. et Barocas S., 2017, « Fairness in machine learning », communication orale présentée à la conference on Neural Information Processing Systems (NIPS), Long Beach, 4-9 décembre. https://fairmlbook.org/tutorial1.html

Jain A., 2017, « Weapons of math destruction: how big data increases inequality and threatens democracy », Business Economics, 52 (2), p. 123-125.

Livnat A. et Papadimitriou C., 2016, « Sex as an Algorithm: The Theory of Evolution Under the Lens of Computation », Communications of the ACM, 59 (11), p. 84-93. https://cacm.acm.org/magazines/2016/11/209128-sex-as-an-algorithm/fulltext

Nisan N., Roughgarden T., Tardos É. et Vazirani V. V. (éds), 2007, Algorithmic Game Theory, Cambridge, Cambridge University Press.

Papadimitriou C., 2007, « The Algorithmic Lens: How the Computational Perspective is Transforming the Sciences », conférence au laboratoire Computer Science & Artificial Intelligence (CSAIL), Massachusetts Institute of Technology (MIT). https://www.csail.mit.edu/node/6433

Papadimitriou C., 2014, « Algorithms, complexity, and the sciences », PNAS, 111 (45), p. 15881-15887. https://doi.org/10.1073/pnas.1416954111

Schönhage A. et Strassen V., 1971, « Schnelle Multiplikation großer Zahlen », Computing, 7, p. 281-292.

Zhou B., Bau D., Oliva A. et Torralba A., 2018 [2017], « Interpreting deep visual representations via network dissection », IEEE transactions on pattern analysis and machine intelligence, 41 (9), p. 2131-2145. https://arxiv.org/pdf/1711.05611.pdf

Haut de page

Notes

1 Accès : https://www.cnil.fr/fr/definition/algorithme (consulté le 23 mai 2022).

2 Les ribosomes sont des complexes biologiques composés de protéines et d’ARN qui servent à synthétiser les protéines en décodant l’information contenue dans l’ARN messager.

3 Pour simplifier l’exposition, le nombre d’opérations discuté est le nombre d’opérations asymptotiques. C’est-à-dire que, lorsque l’on fait référence à un algorithme exigeant n² opérations, on sous-entend que pour une valeur de n suffisamment grande, le nombre d’opérations exigé par l’algorithme se comporte de la même façon que la fonction n² (à un facteur constant près).

4 Accès : https://en.wikipedia.org/wiki/Hilbert%27s_tenth_problem (consulté le 22 janv. 2022).

5 Accès : https://fr.wikipedia.org/wiki/Prix_Turing (consulté le 23 mai 2022).

6 Voir aussi « Explainable artificial intelligence », Wikipedia. Accès : https://en.wikipedia.org/wiki/Explainable_artificial_intelligence (consulté le 2 févr. 2022).

Haut de page

Pour citer cet article

Référence papier

Vincent Cohen-Addad, « Comprendre les algorithmes, leurs risques et leurs promesses »Questions de communication, 41 | 2022, 281-290.

Référence électronique

Vincent Cohen-Addad, « Comprendre les algorithmes, leurs risques et leurs promesses »Questions de communication [En ligne], 41 | 2022, mis en ligne le 01 octobre 2022, consulté le 26 février 2024. URL : http://journals.openedition.org/questionsdecommunication/29098 ; DOI : https://doi.org/10.4000/questionsdecommunication.29098

Haut de page

Auteur

Vincent Cohen-Addad

Sorbonne Université, CNRS,LIP6, F-75005 Paris, France

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search