Bonnes réponses
- BInclure un examen humain pour les décisions à fort enjeu
- CImplémenter des guardrails pour filtrer le contenu nuisible
- DSurveiller en continu les sorties du modèle pour détecter la dérive
Explication
L'option B est correcte car le déploiement d'une IA responsable nécessite une supervision humaine (human-in-the-loop) pour les décisions à fort enjeu (par exemple, le recrutement, l'octroi de prêts, le triage médical), afin qu'une personne qualifiée puisse valider ou remplacer la sortie du modèle avant qu'elle n'affecte les droits ou la sécurité d'une personne. L'option C est correcte car les guardrails (filtres d'entrée/sortie, classifieurs de modération de contenu et couches d'application des politiques) constituent un contrôle standard pour empêcher les foundation models de générer du contenu nuisible, dangereux ou non conforme aux politiques. L'option D est correcte car les foundation models peuvent se dégrader ou modifier leur comportement au fil du temps en raison d'une dérive des données (data drift), d'une dérive conceptuelle (concept drift) ou de mises à jour de modèles en amont, de sorte qu'une surveillance continue des sorties (avec des métriques, des alertes et des déclencheurs de réentraînement) est essentielle pour maintenir la fiabilité et l'équité. L'option A n'est pas recommandée : la collecte de commentaires des utilisateurs est un signal précieux pour identifier les biais et améliorer les modèles, de sorte que l'éviter réduirait la responsabilité au lieu de l'améliorer. L'option E n'est pas recommandée : le secret de la boîte noire opaque nuit à la transparence, à l'explicabilité et à l'auditabilité, qui sont des principes fondamentaux de l'IA responsable ; les mécanismes internes et la documentation du modèle doivent être divulgués de manière appropriée aux parties prenantes.