Déjouer les biais de l’IA par la pensée critique Mixte : présentiel / à distance

L’Intelligence Artificielle Générative (IAG) ouvre de nouvelles perspectives, mais elle n’est pas exempte de biais cognitifs et algorithmiques pouvant influencer les décisions.

Cette formation propose aux participants de développer une pensée critique appliquée à l’IA, afin d’évaluer ses productions avec discernement, d’identifier les biais et de mettre en place des pratiques d’utilisation plus fiables, éthiques et stratégiques.

A l'issue de la formation, le stagiaire sera capable de renforcer son esprit critique lors de l'utilisation de l'Intelligence Artificielle (IA).

• Identifier les fondements de l'esprit critique
• Comprendre les biais cognitifs et algorithmiques
• Adopter une posture critique, éthique et stratégique face à l'Intelligence Artificielle Générative (IAG)

Module 1. Introduction : Pourquoi développer l'esprit critique face à l'IA

Objectif spécifique : Comprendre l'importance de la pensée critique dans l'usage professionnel de l'IA.

Contenu

• Contexte : la place croissante de l'IA dans les décisions professionnelles et personnelles
• Risques liés à la confiance excessive dans les résultats IA (illusion de fiabilité, absence de remise en question)
• Importance de développer une posture active de questionnement
• Différence entre esprit critique et méfiance systématique

Exemple d'atelier : évaluation rapide de plusieurs réponses produites par IA (texte, image, résumé) pour identifier intuitivement leurs limites, erreurs ou incohérences

Module 2. Fondements de l'esprit critique appliqué à l'IA

Objectif spécifique : Connaître les principes et outils permettant de questionner et d'évaluer les informations produites par l'IA.

Contenu

• Définition et composantes de l'esprit critique : observation, questionnement, validation, décision
• Méthodes pour interroger une information : qui l'a produite ? comment ? dans quel but ?
• Techniques de vérification : recoupement des sources, confrontation à des données fiables, utilisation d'outils de fact-checking
• Limites humaines : surcharge informationnelle, heuristiques mentales

Exemple d'atelier : analyse critique d'un rapport généré par IA – identification des affirmations discutables, des manques d'éléments factuels et propositions de reformulation

Module 3. Comprendre les biais cognitifs

Objectif spécifique : Identifier les biais mentaux qui influencent l'interprétation des résultats IA.

Contenu

• Définition d'un biais cognitif et mécanismes psychologiques sous-jacents
• Les biais les plus fréquents face à l'IA :
  • Biais de confirmation : tendance à chercher des éléments qui confirment nos idées préconçues
  • Biais de disponibilité : se baser sur les informations les plus faciles à rappeler
  • Biais d'ancrage : influence excessive d'une première information reçue
• Impact des biais cognitifs sur la prise de décision et l'évaluation des résultats IA
• Exemples issus de contextes professionnels : recrutement, gestion de projet, analyse de données

Exemple d'atelier : étude de scénarios concrets où un biais cognitif a conduit à une mauvaise décision, identification du biais et reformulation de l'analyse pour corriger la conclusion

Module 4. Identifier et analyser les biais algorithmiques

Objectif spécifique : Reconnaître les biais présents dans les modèles d'IA et comprendre leur origine.

Contenu

• Définition du biais algorithmique et distinction avec les biais cognitifs
• Origines possibles :
  • Biais dans les données d'entraînement : données incomplètes ou déséquilibrées
  • Biais liés à l'architecture du modèle : paramètres influençant certains résultats
  • Biais d'utilisation : mauvaise adaptation au contexte métier
• Conséquences concrètes : discriminations involontaires, résultats inexacts, perte de confiance
• Études de cas inspirées de situations réelles :
  • RH : algorithmes de tri de CV défavorisant certains profils
  • Finance : notation de crédit influencée par des données historiques biaisées
  • Santé : diagnostic moins précis pour certaines populations

Exemple d'atelier :

• Présentation rapide d'un exemple concret par le formateur
• Travail en petits groupes :

1. Identifier le ou les biais présents
2. Rechercher les causes possibles
3. Proposer 2 à 3 actions correctives simples (ex. améliorer la représentativité des données, mettre en place une validation humaine, rendre l'algorithme plus transparent)

E-learning Découverte de l'IA générative mis à disposition post-formation et consultable pendant 1 mois pour renforcer ou réviser ses connaissances (e-learning de 30 minutes)

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
  • En groupe (inter-entreprises ou intra-entreprise)
  • En individuel (monitorat)
  • En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
  • Distanciel synchrone
  • Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Équilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation :

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation :

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation :

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Évaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

• Admission sans disposition particulière