Ratz, Phlipp
(2024).
« Constraints in fair estimation and games » Thèse.
Montréal (Québec), Université du Québec à Montréal, Doctorat en mathématiques.
Fichier(s) associé(s) à ce document :
Résumé
L’avènement de systèmes d’intelligence artificielle (IA) puissantes et la baisse du coût de l’informatique ont conduit des entreprises dans des secteurs allant du transport aérien aux prévisions météorologiques à adopter des modèles prédictifs de plus en plus puissants. Bien que cette évolution présente un potentiel énorme, des inquiétudes ont été exprimées quant aux effets de cette quatrième révolution industrielle sur les sociétés. Récemment, suite aux échecs publics des systèmes d’IA, la recherche sur la transparence et l’équité de ces systèmes a fait l’objet d’une attention particulière dans la domaine. Des études ont découvert des algorithmes de recrutement sexiste, des prédictions biaisées dans la justice pénale et des optimisations de prix manipulant le marché, ce qui a conduit les régulateurs à commencer à imposer des contraintes sur ce qui est considéré comme acceptable et à entamer leurs propres enquêtes sur les résultats du marché dans le cadre de la nouvelle réalité dominée par l’IA. Cependant, de nombreux effets sont encore mal compris et des outils adéquats pour identifier et atténuer les biais font toujours défaut. Cette thèse contribue au débat en proposant des procédures d’atténuation des biais connus, mais aussi en élargissant notre compréhension des effets des systèmes d’IA sur les résultats du marché. Dans une première partie, la théorie du transport optimal et le concept du barycentre de Wasserstein sont utilisés pour fournir des prévisions optimales en termes de performance prédictive, tout en respectant les contraintes d’équité. Ici, la littérature est élargie par des propositions pour la situation où le prédicteur de base est un modèle multitâche ou lorsque les variables pertinentes ne sont que partiellement observables. Le champ d’application est ensuite progressivement élargi pour tenir compte des lacunes antérieures, telles que la difficulté d’identifier les effets sur les sous-groupes lorsque des contraintes d’équité sont imposées aux prédictions ou lorsque la source de l’injustice doit être découverte dans des modèles complexes de type “boîte noire”. Dans une deuxième partie, l’accent est mis sur la compréhension des résultats du marché sous deux types différents d’algorithmes de tarification dans des marchés concurrentiels, où des contraintes telles que la solvabilité ou les règles de concurrence sont imposées par les régulateurs. Ici, l’accent est mis sur les résultats d’une expérience en ligne à grande échelle et de simulations basées sur l’apprentissage par renforcement. Les résultats montrent que l’introduction de modèles de tarification basés sur l’intelligence artificielle peut aboutir à des résultats fondamentalement différents sur le marché, ce qui devrait être pris en compte par les régulateurs à l’avenir.
_____________________________________________________________________________
MOTS-CLÉS DE L’AUTEUR : Transport optimal, Barycentre de Wasserstein, Tarification, Apprentissage par renforcement
| Type: |
Thèse ou essai doctoral accepté
|
| Informations complémentaires: |
Fichier numérique reçu et enrichi en format PDF/A. |
|
Directeur de thèse: |
Charpentier, Arthur |
| Mots-clés ou Sujets: |
Équité algorithmique / Modèles prédictifs / Transport optimal / Barycentres de Wasserstein / Tarification / Apprentissage par renforcement (Intelligence artificielle) |
| Unité d'appartenance: |
Faculté des sciences > Département de mathématiques |
| Déposé par: |
Service des bibliothèques
|
| Date de dépôt: |
15 oct. 2024 09:38 |
| Dernière modification: |
15 oct. 2024 09:40 |
| Adresse URL : |
http://archipel.uqam.ca/id/eprint/18106 |
RECHERCHER
PARCOURIR
LIBRE ACCÈS
