Registre de jeux de donnees versionnes

Définition

Un registre de jeux de donnees versionnes (dataset registry) est un systeme qui enregistre et gere les differentes versions successives d'un jeu de donnees utilise pour entrainer, valider ou tester des modeles d'intelligence artificielle, en associant a chaque version un identifiant unique, un historique des modifications et des metadonnees comme la source, la date de collecte ou le schema de donnees. Ce versionnement, souvent realise avec des outils comme DVC, LakeFS ou Delta Lake, applique aux donnees les memes principes que le versionnement de code source avec Git : chaque modification cree une nouvelle version tracable, permettant de revenir a un etat anterieur ou de comparer precisement deux versions utilisees pour entrainer deux modeles differents. Cette tracabilite est essentielle pour la reproductibilite scientifique d'un resultat de machine learning, pour diagnostiquer une regression de performance liee a un changement de donnees plutot qu'a un changement de modele, et pour repondre aux obligations de documentation de l'AI Act, qui exige de pouvoir demontrer sur quelles donnees un systeme IA a haut risque a ete entraine et valide. Le registre de jeux de donnees versionnes s'articule generalement avec un registre de modeles, chaque version de modele referencant precisement la ou les versions de donnees utilisees pour son entrainement, formant ainsi une chaine de tracabilite complete de la donnee au modele deploye.