Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
An appointment queue can hide the decision that shapes it. In one machine-learning scheduling system in health care, Black patients waited approximately 30% longer than non-Black patients. Researchers eliminated the disparity by putting race into the system’s optimization objective while maintaining scheduling efficiency.
Une file d’attente de rendez-vous peut dissimuler la décision qui la façonne. Dans un système de planification fondé sur l’apprentissage automatique dans le secteur de la santé, les patients noirs attendaient environ 30 % plus longtemps que les autres. Les chercheurs ont éliminé cette disparité en intégrant la race à la fonction objectif du système, tout en maintenant l’efficacité de la planification.
That finding shows why AI systems are not only prediction engines. They can allocate resources, shape opportunities and influence institutional processes. When historical inequities are embedded in data, feedback is incomplete or institutions interact in reinforcing ways, disparities can emerge less visibly and compound over time.
Ce résultat montre pourquoi les systèmes d’IA ne sont pas de simples moteurs de prédiction. Ils peuvent répartir des ressources, influencer les possibilités offertes et peser sur les processus institutionnels. Lorsque des inégalités historiques sont intégrées aux données, que les retours sont incomplets ou que les institutions interagissent de manière à se renforcer mutuellement, des disparités peuvent apparaître de façon moins visible et s’aggraver au fil du temps.
The example comes from one of 13 studies in a special issue of the INFORMS Journal on Computing focused on responsible AI and data science for social good. The issue spans six areas: judicial systems, education, communication, health care, bias and fairness, and interpretability. Ram Ramesh, a professor at the University at Buffalo School of Management and an area editor of the journal, says ethical consequences cannot be handled only after systems are built; social goals have to shape data collection, learning, optimization, interaction and governance.
L’exemple provient de l’une des 13 études d’un numéro spécial de l’INFORMS Journal on Computing consacré à l’IA responsable et à la science des données au service du bien social. Ce numéro couvre six domaines : les systèmes judiciaires, l’éducation, la communication, la santé, les biais et l’équité, ainsi que l’interprétabilité. Ram Ramesh, professeur à l’école de management de l’université de Buffalo et rédacteur en chef adjoint chargé d’un domaine de la revue, estime que les conséquences éthiques ne peuvent pas être traitées uniquement après la conception des systèmes ; les objectifs sociaux doivent orienter la collecte des données, l’apprentissage, l’optimisation, les interactions et la gouvernance.
Ramesh describes fairness as a design objective rather than an external constraint added to an otherwise optimal system. The appointment result is a narrow but useful demonstration: changing what an algorithm optimizes altered a measured disparity without reducing the reported scheduling efficiency. It does not settle the broader problems created by biased historical data or incomplete feedback.
Ramesh présente l’équité comme un objectif de conception, plutôt que comme une contrainte extérieure ajoutée à un système par ailleurs optimal. Le résultat obtenu pour les rendez-vous constitue une démonstration limitée mais utile : modifier ce qu’un algorithme optimise a changé une disparité mesurée sans réduire l’efficacité de planification rapportée. Cela ne résout pas les problèmes plus vastes liés aux données historiques biaisées ou aux retours incomplets.
Concretely, teams building AI for scheduling or resource allocation can treat fairness as part of the technical brief from the beginning, alongside the data and performance objectives. For people affected by those systems, that choice can show up as a measurable difference in waiting time. The reported result offers a specific route to improvement while leaving the wider task—finding and preventing less obvious disparities—firmly on the engineering table.
Concrètement, les équipes qui développent des systèmes d’IA pour la planification ou l’allocation de ressources peuvent intégrer l’équité au cahier des charges technique dès le départ, au même titre que les données et les objectifs de performance. Pour les personnes concernées par ces systèmes, ce choix peut se traduire par une différence mesurable dans le temps d’attente. Le résultat rapporté offre une piste d’amélioration précise, tout en laissant au travail d’ingénierie une tâche plus vaste : détecter et prévenir les disparités moins évidentes.