


Pourquoi tant de gens sont-ils en colère contre la loi new-yorkaise sur l'embauche d'IA ?
Une écrasante majorité de personnes ont été indignées par les lois sur l'intelligence artificielle et le recrutement qui sont entrées en vigueur à New York la semaine dernière. Cette loi est la première loi sur l’IA aux États-Unis. La manière dont elle sera mise en œuvre fournira des leçons et des orientations aux autres villes qui élaborent une politique et un débat sur l’IA. Comme New York, d’autres États américains envisagent également d’intégrer des dispositions sur le recrutement d’IA dans la loi européenne sur l’intelligence artificielle.
L'utilisation de l'intelligence artificielle dans le recrutement a suscité des critiques en raison de la présence d'automatisation et de la manière dont elle peut renforcer les préjugés raciaux et sexistes existants. Il a été démontré que les systèmes d’IA favorisent les candidats blancs, masculins et valides lors de l’évaluation de leurs expressions faciales et de leur langage.
Cette question mérite attention car la plupart des entreprises ont utilisé au moins une fois l’intelligence artificielle dans le processus de recrutement. Charlotte Burrows, présidente de la Commission américaine pour l'égalité des chances en matière d'emploi, a déclaré lors d'une réunion en janvier 2023 que jusqu'à 80 % des entreprises utilisent une forme d'outils automatisés pour prendre des décisions d'embauche.
La loi sur l'outil automatisé de décision en matière d'emploi de la ville de New York, entrée en vigueur le 5 juillet, stipule que les employeurs qui utilisent l'intelligence artificielle dans le recrutement doivent informer honnêtement les candidats qu'ils le font. Pour prouver que leurs systèmes ne sont ni racistes ni sexistes, ils ont besoin d’audits indépendants annuels. Les demandeurs d'emploi peuvent demander aux employeurs potentiels des informations sur la collecte et l'analyse des données impliquées dans cette technologie. Les violations sont passibles d'amendes pouvant aller jusqu'à 1 500 $.
(Source : STEPHANIE ARNETT/MITTR | GETTY)
Les partisans de la loi estiment que c’est un bon début, même si elle n’est pas parfaite, pour réglementer l’intelligence artificielle et atténuer certains des méfaits et des risques liés à son utilisation. Les entreprises sont invitées à examiner de plus près les algorithmes qu’elles utilisent pour déterminer si la technologie constitue involontairement une discrimination injuste à l’égard des femmes ou des personnes de couleur.
Il s'agit d'un cas rare mais réussi, et du point de vue de la politique réglementaire américaine en matière d'intelligence artificielle, nous pourrions voir des réglementations locales plus pertinentes. Cela semble prometteur, non ?
Mais cette loi a suscité une énorme controverse. Les groupes d'intérêt public et les défenseurs des droits civiques affirment que le projet de loi n'est ni exécutoire ni assez large, tandis que les entreprises qui doivent s'y conformer soutiennent qu'il est peu pratique et fastidieux.
Le Center for Democracy & Technology (Center for Democracy & Technology), le Surveillance Technology Oversight Project (S.T.O.P.) et d'autres organisations estiment que la loi est « insuffisamment inclusive » et risque de passer à côté de l'utilisation de nombreux systèmes automatisés dans le recrutement, y compris l'utilisation de Un système alimenté par l'IA qui sélectionne des milliers de candidats.
Étant donné que le secteur de l'audit concerné est actuellement immature, ce qui est incertain quant aux résultats des audits indépendants, ce sont ses aspects les plus importants. La BSA – un groupe commercial technologique influent dont les membres comprennent Adobe, Microsoft et IBM – a soumis des commentaires à la ville de New York en janvier 2023 critiquant la loi, arguant que les audits par des tiers étaient « irréalisables ».
Albert Fox Cahn, directeur exécutif de S.T.O.P., a déclaré : « La question clé est de savoir comment les auditeurs obtiendront des informations sur les entreprises et dans quelle mesure ils pourront réellement interroger la façon dont les entreprises sont gérées. Bien que nous employions des auditeurs financiers, il nous manque un ensemble de normes comptables universellement acceptées. principes, sans parler des règles fiscales et de contrôle. »
Selon Kahn, cette loi pourrait conduire à un faux sentiment de sécurité concernant l'intelligence artificielle et le processus d'embauche. Il a déclaré : "Il s'agit d'une feuille de vigne utilisée uniquement pour démontrer que des protections existent, et dans la pratique, je ne pense pas qu'une entreprise soit tenue responsable du fait que cela soit inscrit dans la loi
."Il est important de noter que les audits obligatoires doivent évaluer si le résultat d'un système d'IA est biaisé à l'encontre de groupes spécifiques de personnes. Cela utilisera une mesure appelée « taux d'impact » pour déterminer si le « taux de sélection » de la technologie est différent pour différents groupes.
Les audits n'ont pas besoin d'essayer de déterminer comment un algorithme prend une décision, et la loi élude la question de « l'explicabilité » dans les formes complexes d'apprentissage automatique telles que l'apprentissage profond. Comme vous pouvez l’imaginer, ces omissions sont devenues un sujet de débat brûlant parmi les experts en IA.
Aux États-Unis, dans l’attente d’une législation fédérale, nous pourrions voir davantage de lois locales régissant l’IA, dont la plupart ciblent une application spécifique de la technologie. En abordant ces controverses juridiques locales, nous pouvons révéler comment les définitions des outils d’IA, les mécanismes de sécurité et leur application évolueront au cours des prochaines décennies. Le New Jersey et la Californie envisagent déjà des lois similaires.
Soutien : Ren
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
