Cet article aborde l'impact profond de la définition des variables cibles sur l'équité en apprentissage automatique. Des biais peuvent être inhérents dès la définition des variables cibles, avant la collecte des données et l'apprentissage. Par conséquent, la prise en compte des conséquences de la définition des variables cibles est essentielle pour un développement, un déploiement et une utilisation responsables des systèmes algorithmiques. À cette fin, nous proposons FairTargetSim (FTS), une approche interactive basée sur la simulation. Nous présentons FTS comme un exemple de processus de recrutement d'algorithmes basé sur des données réelles et des variables cibles définies par l'utilisateur, et le rendons open source afin que les développeurs d'algorithmes, les acteurs non techniques, les chercheurs et les enseignants puissent l'utiliser de diverses manières.
