IBI-002425 - Critiquepublie
Biais de détection de piétons
Pedestrian Detection Bias
Score IBI
8.9
sur 10
Sévérité5_critique
Fréquencesystematique
Ampleur groupes5
Difficulté détection3
🇫🇷 Définition (FR)
Systèmes de détection de piétons des véhicules autonomes moins fiables sur les peaux foncées.
🇬🇧 Definition (EN)
Autonomous vehicle pedestrian detection systems less reliable on dark skin.
Taxonomie TriAxis
Classification structurelle
O
Origine
O2
Computationnel & Statistique
L
Cycle de vie
L2
Représentation
S
Spécifique
S16
Biais d'exclusion
💡
Exemple concret
Les modèles de détection de piétons ont un taux d'erreur 5 points plus élevé sur les peaux foncées.
📊 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
- •Predictive Inequity in Object DetectionBenjamin Wilson, Judy Hoffman, Jamie Morgenstern (2019)
- •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
Personnes noires / afro-desc.Personnes arabes / MENA
🛠 Méthodologies de mitigation
- DEMO_PARITY : Parité démographique
- AUDIT_TIERS : Audit par tiers indépendant
🏢 Secteurs concernés
Transport et mobilité (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
2053be77-f4fd-4f36-afc4-691a0a0ea2a5
Explorer d'autres biais
250 biais documentés, classés par la taxonomie TriAxis.