Cet article présente de nouvelles techniques de caractérisation et d'application spécifiques à GenAI afin de résoudre les problèmes d'équité liés au déploiement de modèles d'IA générative (GenAI). Contrairement à l'IA conventionnelle qui effectue des tâches spécifiques, les fonctionnalités étendues de GenAI nécessitent une équité conditionnelle adaptée au contexte de sa génération (par exemple, l'équité démographique pour la génération d'images d'entrepreneurs pauvres et prospères). Nous définissons deux niveaux d'équité : le premier évalue l'équité des résultats générés indépendamment des invites et des modèles, et le second évalue l'équité intrinsèque à l'aide d'invites neutres. Compte tenu de la complexité de GenAI et de la difficulté de spécifier l'équité, nous nous concentrons sur la limitation du scénario du pire en jugeant le système GenAI injuste si la distance entre les apparitions d'un groupe spécifique dépasse un seuil prédéfini. Nous explorons également des tests combinatoires pour évaluer l'exhaustivité relative de l'équité transversale. En limitant le pire des scénarios, nous développons une méthode d'injection rapide qui applique l'équité conditionnelle avec une intervention minimale dans un cadre basé sur des agents, et la validons sur un système GenAI de pointe.
