IBI-002414 - Gravepublie
Biais de détection de personnes par robot
Robotic Person Detection Bias
Score IBI
8.0
sur 10
Sévérité4_grave
Fréquencesystematique
Ampleur groupes4
Difficulté détection4
🇫🇷 Définition (FR)
Robots de service détectant moins bien certaines catégories de personnes.
🇬🇧 Definition (EN)
Service robots detecting certain categories of people less reliably.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L2
Représentation
S
Spécifique
S16
Biais d'exclusion
💡
Exemple concret
Un robot d'assistance ignore les utilisateurs en fauteuil roulant car leur morphologie n'est pas dans les données.
📊 Métriques de détection
Demographic Parity DifferenceDisparate Impact RatioEqualized Odds Difference
⚙ Seuils d'alerte
Disparate Impact Ratio0.8
Equalized Odds Difference0.1
Demographic Parity Difference0.1
📚 Sources & Références Scientifiques
- •Fairness and Bias in Robot LearningLaura Londoño, Juana Valeria Hurtado, Nora Hertz, Philipp Kellmeyer, Silja Voeneky, Abhinav Valada (2022)
- •Bias Behind the Wheel: Fairness Testing of Autonomous Driving SystemsXinyue Li, Zhenpeng Chen, Jie M. Zhang, Federica Sarro, Ying Zhang, Xuanzhe Liu (2025)
🛡 Impact & Mitigation
🎯 Groupes vulnérables impactés
Handicap moteurSeniors (60+)
🛠 Méthodologies de mitigation
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Transport et mobilité (Risque: /5)Santé et médecine (Risque: /5)
⚖ Réglementations applicables
🇪🇺 Europe
- •AI_ACT_10 : AI Act (UE) 2024/1689
🌍 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
📋 Métadonnées
Contributeur
Mohamadou SIDIBE
Institution
AI BIAIS INITIATIVE
Version
1
Créé le
14 octobre 2026
Mis à jour le
4 novembre 2026
UUID
bdb0153d-7fdf-4065-ba5b-c96c960edcfb
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.