{"id":1891,"date":"2017-01-30T12:26:16","date_gmt":"2017-01-30T10:26:16","guid":{"rendered":"http:\/\/variances.eu\/?p=1891"},"modified":"2020-04-29T10:30:02","modified_gmt":"2020-04-29T08:30:02","slug":"lethique-des-algorithmes","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=1891","title":{"rendered":"L\u2019\u00e9thique des algorithmes"},"content":{"rendered":"<p>Difficile aujourd\u2019hui d\u2019\u00e9chapper aux articles \u00e9voquant l\u2019introduction du Big Data dans toutes les sph\u00e8res de la soci\u00e9t\u00e9 (sant\u00e9, industrie\u2026). Parmi ces sph\u00e8res, l\u2019entreprise, et dans l\u2019entreprise, le domaine des Ressources Humaines.\u00a0Les promesses sont nombreuses\u00a0: fid\u00e9lisation des salari\u00e9s, am\u00e9lioration de la qualit\u00e9 du recrutement, personnalisation des services aux salari\u00e9s\u2026 Ainsi, le site Glassdoor a mis le \u00ab\u00a0Big Data\u00a0\u00bb dans les 5 grandes tendances RH de 2017<a href=\"#_ftn1\" name=\"_ftnref1\">[1]<\/a>\u00a0; dans un article publi\u00e9 sur un blog de La Tribune, les promesses du Big Data RH sont pr\u00e9sent\u00e9es comme tr\u00e8s nombreuses\u00a0: anticiper les besoins en comp\u00e9tences, identifier les leviers d\u2019engagement, am\u00e9liorer le recrutement, r\u00e9duire <em>le turnover<\/em>, fid\u00e9liser les talents\u2026 Aujourd\u2019hui, les articles m\u00e9diatiques semblent encore prendre peu de recul sur le ph\u00e9nom\u00e8ne du Big Data<a href=\"#_ftn2\" name=\"_ftnref2\">[2]<\/a> et sur la liste des promesses associ\u00e9es.<\/p>\n<p>Difficilement \u00e9galement d\u2019\u00e9chapper au terme de \u00ab\u00a0data scientist\u00a0\u00bb quand on \u00e9voque le Big Data. Le data scientist, ce d\u00e9tenteur du savoir en termes d\u2019analyse de donn\u00e9es, est ainsi cens\u00e9 savoir exactement quoi faire avec les donn\u00e9es. Il est parfois vu et pr\u00e9sent\u00e9 comme un \u00ab\u00a0magicien\u00a0\u00bb qui sortira d\u2019un amas de donn\u00e9es des r\u00e9sultats, des plans d\u2019action \u2026<\/p>\n<p>Or, le sujet trait\u00e9 est avant tout un sujet de Ressources Humaines\u00a0: que l\u2019on parle de fid\u00e9lisation, de recrutement, de formation, de mobilit\u00e9, on reste dans le domaine RH, et ce sont les acteurs RH qui d\u00e9tiennent le savoir li\u00e9 au m\u00e9tier. Un projet Big Data RH doit donc \u00eatre conduit en partenariat entre les data scientists et les \u00e9quipes RH.<\/p>\n<p>Au-del\u00e0 du m\u00e9tier se pose la question de l\u2019\u00e9thique. N\u2019oublions pas que le Big Data RH conduit \u00e0 manipuler des donn\u00e9es personnelles des salari\u00e9s potentiellement extr\u00eamement sensibles (le salaire, pour n\u2019en citer qu\u2019une). De plus, si le Big Data RH conduit \u00e0 des plans d\u2019action et \u00e0 une prise de d\u00e9cision, il faut bien s\u2019assurer que ces d\u00e9cisions ne contreviennent pas aux r\u00e8gles \u00e9thiques et morales, essentielles en RH, qu\u2019il s\u2019agisse de recrutement, d\u2019\u00e9valuation des salari\u00e9s, de promotion, de gestion de l\u2019absent\u00e9isme, etc.<\/p>\n<p>Plus pr\u00e9cis\u00e9ment, la question de l\u2019\u00e9thique se pose \u00e0 trois moments du processus\u00a0:<\/p>\n<ul>\n<li>quand on passe d\u2019un ensemble tr\u00e8s important de donn\u00e9es \u00e0 un ensemble de variables s\u00e9lectionn\u00e9es,<\/li>\n<li>quand on passe des donn\u00e9es s\u00e9lectionn\u00e9es \u00e0 des r\u00e9sultats fournis par un algorithme ou une analyse,<\/li>\n<li>et quand on passe de ces r\u00e9sultats \u00e0 un plan d\u2019action.<\/li>\n<\/ul>\n<p>Ces trois moments essentiels des projets Big Data RH n\u00e9cessitent une r\u00e9flexion approfondie, r\u00e9unissant les data scientists, mais aussi les RH et les juristes, sur les dimensions \u00e9thiques (<em>cf.<\/em> sch\u00e9ma). Il faut pouvoir r\u00e9pondre \u00e0 des questions du type\u00a0: pourquoi s\u00e9lectionner ces variables-ci ? quel rapport ont-elles avec le sujet\u00a0? comment les donn\u00e9es sont-elles utilis\u00e9es par l\u2019analyse ou l\u2019algorithme\u00a0? le plan d\u2019action que je d\u00e9finis suite \u00e0 l\u2019analyse produite est-il respectueux de l\u2019\u00e9quit\u00e9, de la diversit\u00e9, de la vie priv\u00e9e\u00a0?<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-1892\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/01\/imageCC.png\" alt=\"imagecc\" width=\"1336\" height=\"715\" srcset=\"https:\/\/variances.eu\/wp-content\/uploads\/2017\/01\/imageCC.png 1336w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/01\/imageCC-300x161.png 300w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/01\/imageCC-1024x548.png 1024w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/01\/imageCC-600x321.png 600w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/01\/imageCC-1080x578.png 1080w\" sizes=\"(max-width: 1336px) 100vw, 1336px\" \/><\/p>\n<p>Pour concr\u00e9tiser ces propos, on peut donner un exemple pour chaque \u00e9tape.<\/p>\n<ol>\n<li>Au moment de la s\u00e9lection des variables\u00a0: il faut s\u2019assurer que les variables s\u00e9lectionn\u00e9es r\u00e9pondent bien au but initial de l\u2019analyse. Par exemple, est-il pertinent et \u00e9thique de s\u00e9lectionner la variable \u00ab\u00a0\u00e9tat de sant\u00e9\u00a0\u00bb pour un recrutement\u00a0? Est-il pertinent et \u00e9thique de s\u00e9lectionner la variable \u00ab\u00a0nombre d\u2019enfants\u00a0\u00bb pour une \u00e9valuation ou une promotion\u00a0? Ces deux questions conduisant \u00e0 une r\u00e9ponse n\u00e9gative, il ne faut pas s\u00e9lectionner ces variables sur ces th\u00e9matiques. En revanche, s\u00e9lectionner la variable \u00ab\u00a0\u00e9tat de sant\u00e9\u00a0\u00bb peut \u00eatre pertinent dans le cas d\u2019une \u00e9tude sur l\u2019absent\u00e9isme, et s\u00e9lectionner la variable \u00ab\u00a0nombre d\u2019enfants\u00a0\u00bb peut \u00eatre pertinent dans une \u00e9tude sur l\u2019\u00e9cart de salaire, o\u00f9 par exemple, on voudrait mesurer l\u2019impact du nombre d\u2019enfants sur le salaire selon le sexe, toutes choses \u00e9gales par ailleurs.<\/li>\n<li>Au moment de l\u2019analyse ou de la production de l\u2019algorithme\u00a0: il faut s\u2019assurer de la mani\u00e8re dont on mobilise les variables dans l\u2019analyse. Par exemple, quel que soit le sujet, mobiliser la variable \u00ab\u00a0genre\u00a0\u00bb dans une analyse ou un algorithme peut r\u00e9pondre \u00e0 plusieurs enjeux, dont celui de contr\u00f4ler un \u00e9ventuel biais, mais il faut bien garder \u00e0 l\u2019esprit qu\u2019introduire cette variable peut conduire \u00e0 reproduire des biais. Ainsi, si on consid\u00e8re que le genre est une variable explicative des formations suivies, on risque de reproduire un biais genr\u00e9 conduisant \u00e0 une s\u00e9gr\u00e9gation genr\u00e9e des formations suivies quand on va vouloir recommander des formations en fonction des caract\u00e9ristiques de la personne, dont le genre\u00a0; en revanche, si on souhaite faire en sorte que des recommandations de formations ne comportent pas de biais genr\u00e9, on peut utiliser la variable \u00ab\u00a0genre\u00a0\u00bb pour contr\u00f4ler ce biais.<\/li>\n<li>Au moment du plan d\u2019action\u00a0: il faut s\u2019assurer du caract\u00e8re \u00e9thique de ce plan d\u2019action. Ainsi, si une \u00e9tude sur l\u2019absent\u00e9isme a montr\u00e9 que les femmes avec des enfants en bas \u00e2ge ont une plus forte probabilit\u00e9 d\u2019\u00eatre absentes que les femmes sans enfants en bas \u00e2ge, on peut faire en sorte d\u2019\u00e9quilibrer les responsabilit\u00e9s familiales, notamment de gardes d\u2019enfants malades, pesant sur les femmes ou les hommes, pr\u00e9voir des solutions de t\u00e9l\u00e9travail\u2026 Et non \u00e9viter de recruter des femmes avec des enfants en bas \u00e2ge\u00a0!<\/li>\n<\/ol>\n<p>On voit donc qu\u2019\u00e0 chaque \u00e9tape du processus, il faut se poser la question de l\u2019\u00e9thique pour s\u2019assurer que l\u2019usage du Big Data RH ne conduira pas aux d\u00e9rives que craignent parfois les salari\u00e9s, ou les citoyens dans le cas du Big Data plus largement.<\/p>\n<p>Pour finir, on peut insister sur le fait que l\u2019\u00e9thique ne r\u00e9side pas dans les donn\u00e9es, ni dans les m\u00e9thodes d\u2019analyse des donn\u00e9es\u00a0: l\u2019\u00e9thique r\u00e9side dans la fa\u00e7on dont on mobilise les variables et dans ce qu\u2019on fait des r\u00e9sultats. C\u2019est l\u00e0 que les acteurs RH doivent se mobiliser, conjointement avec les data scientists, pour garantir que l\u2019introduction du Big Data en RH respectera les engagements fondamentaux de la fonction RH.<\/p>\n<hr \/>\n<p><span style=\"text-decoration: underline;\"><em><a href=\"#_ftnref1\" name=\"_ftn1\">[1]<\/a> <a href=\"http:\/\/e-rse.net\/5-tendances-rh-ressources-humaines-2017-23855\/\">http:\/\/e-rse.net\/5-tendances-rh-ressources-humaines-2017-23855\/<\/a><\/em><\/span><\/p>\n<p><em><a href=\"#_ftnref2\" name=\"_ftn2\">[2]<\/a> Certains articles \u00e9voquent quand m\u00eame la limite de la qualit\u00e9 des donn\u00e9es, par exemple.\u00a0 Voir par exemple <span style=\"text-decoration: underline;\"><a href=\"http:\/\/www.usine-digitale.fr\/article\/cinq-questions-a-se-poser-avant-d-utiliser-le-big-data-dans-les-rh.N385412\">http:\/\/www.usine-digitale.fr\/article\/cinq-questions-a-se-poser-avant-d-utiliser-le-big-data-dans-les-rh.N385412<\/a><\/span>.\u00a0<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Difficile aujourd\u2019hui d\u2019\u00e9chapper aux articles \u00e9voquant l\u2019introduction du Big Data dans toutes les sph\u00e8res de la soci\u00e9t\u00e9 (sant\u00e9, industrie\u2026). Parmi ces sph\u00e8res, l\u2019entreprise, et dans l\u2019entreprise, le domaine des Ressources Humaines.\u00a0Les promesses sont nombreuses\u00a0: fid\u00e9lisation des salari\u00e9s, am\u00e9lioration de la qualit\u00e9 du recrutement, personnalisation des services aux salari\u00e9s\u2026 Ainsi, le site Glassdoor a mis le [&hellip;]<\/p>\n","protected":false},"author":43,"featured_media":1893,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[99,135],"tags":[],"class_list":["post-1891","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-tribune","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/1891","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/43"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1891"}],"version-history":[{"count":0,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/1891\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/1893"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1891"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1891"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1891"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}