[{"id":2857811,"description":"Les nombreuses commandes du service public ont fait exploser les recettes du journaliste-chroniqueur-producteur. De quoi se verser un joli","title":"Les juteux dividendes d’Hugo Clément gr'ce à Quelle époque ! et Sur le Front","link":"https://www.linforme.com/medias-culture/article/les-juteux-dividendes-d-hugo-clement-grace-a-quelle-epoque-et-sur-le-front_3950.html"},{"id":2857812,"description":"C’est acté. Le Conseil d’État, suivant les conclusions du rapporteur public, demande l’annulation immédiate de plusieurs dispositions centrales utilisées contre le piratage des musiques et films sur les réseaux de","link":"https://www.linforme.com/tech-telecom/article/hadopi-la-reponse-graduee-decapitee-le-plan-b-de-l-arcom_3952.html","title":"Hadopi : la réponse graduée décapitée, le plan B de l’Arcom"},{"id":2857707,"description":"Artificial intelligence is transforming our world and financial services are no exception. AI is reshaping the personal banking sector but where does it currently stand on gender parity, transparency and fairness? When someone applies for a loan today, there is a growing chance that no human ever reads their application. A data-driven algorithm decides whether they qualify, how much they can borrow, and how risky they are considered, often in a matter of seconds and without explanation, quietly shaping financial opportunities in ways most people never see but feel in their everyday lives. These systems are usually presented as neutral tools: faster than people, more consistent, less prone to prejudice. In a sector long criticised for opacity and bias, that promise is appealing and frequently echoed in industry and policy debates. But that promise rests on a fragile assumption, rarely made explicit, that the data these systems learn from reflects everyone’s lives equally. A recent report by the EU Agency for Fundamental Rights , based on fieldwork in five member states, examined how high-risk AI systems are governed under the EU AI Act in areas such as employment, public benefits and law enforcement. It found a striking gap between legal ambition and practice: while risks of discrimination are broadly acknowledged, providers and deployers often lack the tools, expertise and guidance to assess them systematically. Self-assessments tend to be inconsistent, and oversight remains thin. This is an important issue. When the data feeding these systems fails to capture the reality of women’s financial lives with the same depth and accuracy as men’s, the result is not just a technical shortcoming but a structural distortion, one that shapes who gets access to credit, on what terms, and with what long-term consequences. For AI-driven finance to be fair, women must first be “visible” in the data on which these systems rely. Algorithms do not judge fairness or ask whether an outcome makes sense, but estimate what is most likely to be correct based on the data they are given, drawing patterns and projecting them forward. When data is incomplete or distorted, the system’s conclusions rest on shaky assumptions from the start. If women are underrepresented, poorly measured, or never analysed separately from men, the system cannot see unequal outcomes, and what it cannot see, it cannot correct. Bias is simply carried forward and made routine . This dynamic is easy to miss when discussions stay at the level of models and regulation, but its effects become clear as soon as automated systems are observed in practice. Across different countries, evidence shows how quickly inequality can be embedded in algorithmic decisions, not because systems are designed to discriminate, but because they faithfully reproduce the distortions already present in the data they learn from. Kenya offers a telling illustration. According to published studies , a widely used digital lending algorithm consistently offered women smaller loans than men, in some cases by more than a third, despite stronger repayment performance . The system did not single women out deliberately: it simply learned from data shaped by long-standing social and economic disparities, and then applied those patterns at scale. What matters in this example is not Kenya itself, but what the case makes visible. The algorithm did exactly what it was designed to do, learning from past behaviour and applying those patterns consistently, yet without the ability to distinguish between women’s and men’s outcomes, there was no way to detect that inequality was being reproduced in real time. The problem was not automation, but blindness. How can finance overcome the gender blind spot? That is where sex-disaggregated data becomes essential. By sorting financial data by gender, regulators, financial institutions, and technology designers can uncover the impacts of automated systems, identify who has access to finance, and pinpoint areas where outcomes begin","title":"Overcoming the algorithmic gender bias in AI-driven personal finance","link":"https://theconversation.com/overcoming-the-algorithmic-gender-bias-in-ai-driven-personal-finance-281250"},{"id":2857706,"description":"Les particules fines et ultrafines issues du trafic routier sont parmi les polluants les plus nocifs pour la santé. Elles sont aussi les plus difficiles à mesurer à l’échelle d’un quartier. À Paris, un projet de sciences participatives montre comment des citoyennes et des citoyens, en prélevant l’écorce des platanes qui peuplent la ville, peuvent compléter les dispositifs officiels et produire des données utiles à l’action publique. Dans les grandes villes, la pollution de l’air est surveillée par des stations fixes, par exemple celles d’ Airparif en Île-de-France , qui permettent le suivi assez fin de différents types de polluants et de modéliser les tendances générales. Ces stations sont encore trop peu nombreuses pour rendre compte de l’exposition réelle des populations, rue par rue . Cette limite est particulièrement problématique pour la fraction inorganique des particules fines (de dimensions inférieurs à 2,5 micromètres) et ultrafines (plus petites que 0,1 micromètre). Par « fraction inorganique », on entend les particules minérales ne contenant pas de carbone. Elles sont d’origine soit primaire (érosion des sols, particules métalliques liées à l’usure des plaquettes de frein...), soit secondaire, formées à partir d’autres polluants gazeux. Ces particules sont étroitement liées au trafic routier et associées à des effets sanitaires majeurs . Or, à l’heure actuelle, une seule station de mesure fixe est opérationnelle dans Paris. Platane dans le XVIᵉ arrondissement de Paris. Polymagou/Wikimédia , CC BY-SA Pourtant, la mesure devrait guider l’action : urbanisme, aménagements cyclables, piétonisation ou régulation du trafic reposent sur des données souvent trop parcellaires pour éclairer des décisions locales. Notre recherche, publiée dans la revue Community Science , s’appuie sur un constat simple : les arbres enregistrent la pollution de leur environnement immédiat. Les particules issues du trafic se déposent sur l’écorce, qui agit comme un capteur passif intégrant la pollution sur plusieurs mois. Cela en fait un indicateur pertinent pour évaluer une exposition chronique. L’écorce des platanes, révélatrice de pollution Dans le cadre du projet Ecorc’Air , des volontaires collectent, chaque printemps, au moment de l’exfoliation annuelle, des fragments d’écorce de platanes, arbre omniprésent le long des rues – et notamment au sein de la capitale parisienne, qui abrite plus de 40 000 platanes. Ces échantillons sont ensuite transmis en laboratoire, où ils sont analysés. La mesure d’une propriété physique particulière de l’échantillon, la susceptibilité magnétique, permet d’estimer la quantité de particules métalliques déposées. Ces dernières sont directement liées aux émissions du trafic automobile . À lire aussi : Pollution de l’air en ville : cartographie, microcapteurs et sciences participatives Sur plusieurs milliers d’échantillons collectés depuis 2016, nous montrons que ce signal magnétique est fortement corrélé à la présence de métaux, dont certains peuvent se révéler toxiques en fonction de leur nature et des doses inhalées. Le protocole mis en place, très accessible même sans connaissances préalables, permet de cartographier la pollution à une échelle très fine, de l’ordre de quelques dizaines de mètres.