1 – Les concepts clés et comment les connecter

• Les différentes formes de gouvernance : gouvernance d’entreprise, gouvernance du système d’information, gouvernance des données…
• L’intelligence artificielle et ses applications : IA générative, Apprentissage Machine, Apprentissage Profond…
• Quels sont les liens existants entre gouvernance de l’IA et les autres formes de gouvernance

2 – Identifier les risques

• Cartographier les risques
• Les risques liés aux données (erreurs, copyright, représentativité)
• Les risques liés aux algorithmes
• Les risques liés aux usages (Deepfake)
• Que sont les biais (cognitifs et algorithmiques), les hallucinations, les discriminations : comment les évaluer et mesurer leur impact
• Les IA sous le prisme de la justice sociale
• Les risques spécifiques à l’utilisation de l’IA pour créer du code informatique
• Les risques juridiques – évolution de la jurisprudence
• Risques sociaux et relationnels
• Etudes de cas : lorsque le risque s’est transformé en crise de communication

3 – Cadres règlementaires, normatifs et réflexions éthiques

• Aperçu des régulations internationales et spécificités régionales : USA, Charte de Montréal, AI Act
• Les règles sur les marchés de données : alimenter ses modèles d’IA
• Comparatif des initiatives réglementaires européennes (AI Act) et américaines
• La position de la France et les réglementations de la CNIL
• Les autorités à connaitre : AI Board, AI Office et ses autorités nationales
• La norme ISO 42001 : se préparer à son application
• Etudes de cas : régulation versus innovation, comment préserver les deux approches

4 – Elaboration d’une feuille de route de gouvernance de l’IA

• Cartographie des systèmes et initiatives d’IA dans votre entreprise : classification par niveau de risque
• Identification des acteurs clefs et de leurs rôles : CDO, Data Governance Officer, Data Steward, Data Product Manager, Data Owner, Compliance Manager, DPO…
• Métiers spécifiques à l’IA : AI Data Engineer, Data Scientist, AI Steward…
• Le rôle des départements juridiques, audit, conformité
• Comment intégrer ces compétences dans un comité de gouvernance de l’IA
• Fusionner ou séparer gouvernance de l’IA et gouvernance de l’information
• Formalisation de la politique de gouvernance des algorithmes : les 10 étapes de la mise en conformité
• Rédaction d’une charte d’usage acceptable de l’IA (Artificial Intelligence Acceptable Use Policy)
• Alignement de la gouvernance de l’IA avec la gouvernance d’entreprise
• Etudes de cas : présentation des stratégies déjà élaborées par certains groupes

5 – Les données

• Connecter la gouvernance de l’IA et le catalogue de données
• Modéliser son catalogue des données d’entraînement en YAML
• Cataloguer les algorithmes (en YAML) et les relier au catalogue des données
• Mesurer la qualité des données et son impact sur l’exécution des modèles
• Les données synthétiques sont-elles une solution ?
• Etudes de cas en équipe : concevoir une ébauche de stratégie de gouvernance IA par rapport à un cas fictif
• Echanges et discussions autour des stratégies élaborées en équipe

6 – L’éthique

• Les principes éthiques : justice, équité, transparence, non-discrimination, responsabilité sociale et environnementale, inclusion, solidarité, respect, prudence…
• Ethique et international : comparer et adapter aux différences culturelles
• IA verte et IA décarbonée : est-ce réaliste ? Le problème de la consommation énergétique des modèles et de leur exécution
• Mesurer l’éthique : cadre de référence
• Risques et solutions pour respecter les principes éthiques dans les développements de l’IA

7 – Les modèles d’IA : transparence, explicabilité et confiance

• Benchmarker les modèles : méthodes et outils – Concept d’AI Observability
• Documenter les modèles (données, limites, hypothèses, apprentissage…)
• Modèles d’IA et cybersécurité : points de vigilance
• Techniques pour mesurer et améliorer l’explicabilité et la transparence
• Construire des “bacs à sable” pour tester sa conformité
• Passer d’une validation initiale à une validation continue : méthodologie et livrables
• Comment construire la confiance (tout en mesurant le risque) auprès des utilisateurs et des parties prenantes

8 – Audit et responsabilisation

• La confiance n’exclut pas le contrôle… quels outils pour mesurer le respect des normes : audit interne ou audit externe
• Auditer ses systèmes d’IA : surveillance humaine, méthodes, cadre d’audit, outils et tableaux de bord
• Se préparer aux futures certifications : modèle de conformité et évaluation
• Etude de cas : simulation d’un audit sur un cas pratique

9 – Conclusion et réflexions

• Au-delà de l’IA, comment instaurer la gouvernance dans la prise de décision automatisée
• L’impact de l’IA sur notre société : éducation, connaissance, alimentation en boucle des modèles
• Demain des modèles d’IA dotés de conscience ? Quels impacts ?
• IA et travail : comment impliquer les ressources humaines dans la gouvernance des impacts sur le travail et son organisation