IBI-001625 - Critiquepublie
Biais de responsabilité diffuse
Diffuse Liability Bias
Score IBI
9.0
sur 10
Sévérité5_critique
Fréquencefrequent
Ampleur groupes5
Difficulté détection5
🇫🇷 Définition (FR)
Impossibilité d'identifier un responsable lorsqu'un système d'IA cause un préjudice.
🇬🇧 Definition (EN)
Impossibility of identifying a responsible party when an AI system causes harm.
Taxonomie TriAxis
Classification structurelle
O
Origine
O1
Systémique
L
Cycle de vie
L7
Déploiement
S
Spécifique
S26
Biais réglementaire
💡
Exemple concret
Victime d'un véhicule autonome, personne ne peut être tenu responsable (constructeur, développeur, propriétaire).
📊 Métriques de détection
Distribution ShiftDemographic Parity Difference
⚙ Seuils d'alerte
Distribution Shift0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Four Responsibility Gaps with Artificial Intelligence: Why they Matter and How to Address themFilippo Santoni de Sio, Giulio Mecacci (2021)
- •
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Aucun groupe spécifique.
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Transport et mobilité (Risque: /5)Santé et médecine (Risque: /5)
⚖ Réglementations applicables
🌍 International
- •ISO_42001 : ISO/IEC 42001:2023
- •UNESCO_2021 : UNESCO - Recommandation sur l'éthique de l'IA
- •OECD_AI_PRINCIPLES : OCDE - Principes IA
- •COE_AI_CONVENTION_INT : Conseil de l'Europe - Convention IA
🇪🇺 Europe
- •RGPD_22 : RGPD (UE) 2016/679
🌐 autre
- •IN_DPDP_RULES : Inde - Digital Personal Data Protection Rules
- •BR_LGPD : Brésil - LGPD
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
a9d5331b-27f1-4101-be7a-c615d9284c4d
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.