Tracabilite des donnees d'entrainement

Définition

La tracabilite des donnees d'entrainement designe la capacite a documenter et retracer l'origine, la nature, le traitement et les droits d'usage de chaque jeu de donnees ayant servi a entrainer, valider ou tester un modele d'intelligence artificielle. Elle repose sur une chaine de provenance, ou data lineage, qui identifie les sources telles que le web scraping, les jeux de donnees publics, les donnees proprietaires ou synthetiques, les etapes de nettoyage et de filtrage, les licences applicables et les eventuelles donnees personnelles ou protegees par le droit d'auteur incluses. L'AI Act europeen exige des fournisseurs de modeles a usage general la publication d'un resume suffisamment detaille du contenu utilise pour l'entrainement, tandis que le RGPD impose une base legale claire pour toute donnee personnelle integree au corpus. La tracabilite des donnees d'entrainement est aussi un enjeu de securite : elle permet de detecter des risques d'empoisonnement de donnees, de memorisation de secrets ou de contenus sensibles, et de repondre a des demandes d'exercice de droits RGPD comme l'effacement ou l'opposition. Les fiches nutritionnelles de jeu de donnees et les registres de provenance type Data Provenance Initiative structurent cette documentation. Pour un DSI, l'absence de tracabilite expose l'organisation a des risques juridiques, reputationnels et de conformite majeurs lors de l'audit d'un systeme d'IA.