Éthique, Biais et Limites de l'Intelligence Artificielle

import pandas as pd
import numpy as np

# Simuler un dataset de recrutement biaisé
np.random.seed(42)
n = 1000

data = pd.DataFrame({
    "experience": np.random.randint(0, 15, n),
    "diplome_score": np.random.randint(50, 100, n),
    "genre": np.random.choice(["H", "F"], n),
})

# Le biais : les hommes ont historiquement été plus embauchés
# (simulation d'un biais dans les données historiques)
data["embauche"] = (
    (data["experience"] * 3 + data["diplome_score"])
    + np.where(data["genre"] == "H", 15, 0)  # <-- LE BIAIS
    + np.random.randn(n) * 10
) > 130

# Vérifier le biais
taux_par_genre = data.groupby("genre")["embauche"].mean()
print("Taux d'embauche par genre :")
print(taux_par_genre)
print(f"\nÉcart : {abs(taux_par_genre['H'] - taux_par_genre['F']):.1%}")

# pip install shap xgboost
import shap
import xgboost as xgb
from sklearn.datasets import load_breast_cancer

# Entraîner un modèle
data = load_breast_cancer()
model = xgb.XGBClassifier(n_estimators=50, use_label_encoder=False, eval_metric="logloss")
model.fit(data.data, data.target)

# Expliquer UNE prédiction
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(data.data[:1])

print("Top 5 features qui influencent cette prédiction :")
importance = list(zip(data.feature_names, shap_values[0]))
importance.sort(key=lambda x: abs(x[1]), reverse=True)
for name, val in importance[:5]:
    direction = "pousse vers cancer" if val > 0 else "pousse vers bénin"
    print(f"  {name}: {val:+.3f} ({direction})")

import hashlib
import pandas as pd

# Données sensibles
clients = pd.DataFrame({
    "nom": ["Alice Martin", "Bob Dupont", "Carol Chen"],
    "email": ["alice@mail.com", "bob@mail.com", "carol@mail.com"],
    "age": [28, 35, 42],
    "achat_moyen": [45.0, 120.0, 85.0]
})

def anonymiser(valeur, sel="mon_sel_secret"):
    """Hash irréversible pour pseudonymiser"""
    return hashlib.sha256(f"{sel}{valeur}".encode()).hexdigest()[:12]

# Pseudonymiser les données sensibles
clients_anon = clients.copy()
clients_anon["nom"] = clients_anon["nom"].apply(anonymiser)
clients_anon["email"] = clients_anon["email"].apply(anonymiser)

print("Données originales :")
print(clients)
print("\nDonnées anonymisées :")
print(clients_anon)