Préparation des données d'un projet IA : par où commencer
Préparer ses données avant un projet IA : inventaire, nettoyage, responsabilités, accès, jeu de test, protection des données et erreurs courantes.
Équipe rabbitclipPublié: 6 min de lecture
En bref
Préparer les données d'un projet IA, c'est déterminer avant de commencer où se trouvent vos données, à qui elles appartiennent, quelle est leur fiabilité et quelles parties un système d'IA peut voir, puis nettoyer ce qui doit l'être. Dans la plupart des projets, cela prend plus de temps que le choix du modèle et façonne davantage le résultat. Si les données sont dispersées, périmées ou contradictoires, l'IA ne les réparera pas ; elle répétera les erreurs dans une prose fluide. Les données sensibles sont séparées et protégées à ce stade, et non après coup.
Cet article ne porte pas sur le choix d'un modèle ou d'un outil ; il porte sur ce qui doit être prêt quel que soit l'outil choisi. Il ne détaille ni la construction d'une base de connaissances précise ni une loi sur la protection des données ; il examine les questions à se poser avant le début d'un projet.
Pourquoi la préparation des données précède-t-elle le modèle ?
L'IA apprend des données qu'on lui montre, ou répond en s'appuyant sur elles. Une erreur dans les données peut devenir une tendance durable dans le comportement du système. Si un fabricant de revêtements de sol conserve les caractéristiques de ses produits dans trois tableaux avec trois unités différentes, un assistant qui travaille à partir de ceux-ci peut annoncer des dimensions différentes pour le même produit.
La préparation n'est donc pas un coût payé au départ, mais un moyen d'écarter les erreurs qui surgiraient autrement plus tard. La cause commune de bien des projets ratés n'est pas le modèle, mais des données auxquelles personne ne fait confiance.
Comment construit-on un inventaire des données ?
La première étape est une liste de ce que vous détenez : quelle information est conservée où, qui la met à jour, quand elle a été mise à jour pour la dernière fois et sous quel format. La liste est souvent surprenante ; la même information client peut vivre séparément dans un logiciel de comptabilité, une boîte de messagerie et un tableur.
Pour chaque source, l'inventaire répond à trois questions : est-elle à jour, est-elle fiable, un système d'IA peut-il la voir. Une source pour laquelle vous ne pouvez pas répondre oui aux trois est laissée hors du projet ou corrigée d'abord.
- Source : où les données sont conservées, dans quel système ou quel fichier
- Responsable : qui les met à jour et qui répond de leur exactitude
- Actualité : quand elles ont été revues pour la dernière fois
- Format : tableau structuré, texte libre ou image numérisée
- Sensibilité : si elles contiennent des éléments personnels, financiers ou commercialement confidentiels
Comment nettoie-t-on les données ?
Le nettoyage comprend trois tâches : fusionner les doublons, résoudre les contradictions et combler ou signaler les lacunes. Un client enregistré sous trois orthographes, un produit affiché à deux prix, des champs laissés vides : ce sont des cas typiques. Les outils automatiques font souvent la moitié du chemin, et quelqu'un qui connaît l'activité achève le reste.
L'IA peut aussi aider ici, par exemple en regroupant des enregistrements similaires et en proposant des fusions ; mais sa suggestion peut être fausse, et fusionner par erreur deux fiches clients est difficile à défaire. Les décisions de fusion sont d'abord vérifiées à la main sur un petit échantillon, puis élargies.
Comment sépare-t-on et protège-t-on les données sensibles ?
Toutes les données n'ont pas à être montrées à l'IA. Les numéros d'identité, les informations de santé, les coordonnées bancaires et la correspondance privée avec les clients sont écartés ou masqués, sauf si la tâche en a vraiment besoin. Les données les plus sûres sont celles qui ne sont jamais montrées.
Pour les données qui sont montrées, l'accès est restreint : seules les personnes du projet les voient, chaque accès est consigné, et l'on règle au préalable à quel service les données vont, si elles y sont conservées et si elles servent à entraîner le modèle. Aucun avis ferme sur les obligations juridiques ne peut être donné ici ; avant un projet qui touche à des données personnelles, demandez conseil à un juriste, y compris au regard du RGPD.
Comment prépare-t-on un jeu de test pour mesurer le succès ?
La partie la plus souvent sautée de la préparation est le jeu de test : une courte liste de vraies questions auxquelles le système doit répondre correctement, avec les bonnes réponses. Quelqu'un qui connaît le métier l'écrit, indépendamment du système. Une centaine de questions suffit pour commencer dans la plupart des entreprises.
Sans jeu de test, savoir si le système fonctionne bien n'est qu'une impression. Chaque fois que vous mettez à jour les données ou changez d'outil, vous relancez la même liste et vous voyez si cela s'est amélioré ou dégradé. L'IA répond parfois de travers ; le jeu de test montre à quelle fréquence et sur quels sujets.
Quand la préparation des données est-elle inutile, ou prématurée ?
Si vous n'utilisez l'IA que pour corriger l'orthographe, résumer des réunions ou rédiger des textes généraux, vous n'avez pas besoin de vos propres données, et une préparation détaillée serait excessive. La vraie question est alors une règle simple sur ce qu'il ne faut jamais saisir dans l'outil.
La préparation est aussi prématurée quand l'objectif du projet est encore flou. Nettoyer des données avant de savoir ce que l'on veut résoudre risque de corriger la mauvaise chose. Choisissez d'abord une petite question claire, puis préparez les données qui la servent.
Quelles erreurs sont les plus fréquentes ?
L'erreur la plus courante est de vouloir préparer toutes les données d'un coup. Un nettoyage qui dure des mois épuise les gens avant qu'aucun résultat n'apparaisse. Commencer petit, avec les données d'un seul sujet, donne un résultat rapide et montre ce qui fonctionne.
La deuxième est la donnée orpheline : une source sans personne clairement chargée de la mettre à jour redevient périmée au bout d'un moment. La troisième est l'oubli des données sensibles pendant la préparation, qui sont alors téléversées telles quelles dans un tableur. La séparation se fait pendant la préparation des données, et non plus tard.
Le succès d'un projet IA dépend largement de la façon dont les données sont préparées : ce qui existe, à qui cela appartient, quelle est sa fiabilité, quelle partie peut être montrée et si le système répond correctement. Commencer par un petit sujet et construire à tour de rôle l'inventaire, le nettoyage, la séparation des données sensibles et le jeu de test réduit à la fois le risque et le coût. Si vous souhaitez examiner avec nous dans quelle mesure vos données sont prêtes pour l'IA, vous pouvez prendre rendez-vous pour un entretien de découverte avec rabbitclip.
Questions fréquentes
De combien de données un projet IA a-t-il besoin ?
Cela varie beaucoup selon la tâche. Si vous appuyez un assistant sur vos propres documents, l'actualité et la cohérence comptent plus que le volume ; un petit ensemble propre fait souvent mieux qu'un grand ensemble désordonné.
Puis-je commencer si mes données sont dispersées ?
Oui, avec un seul sujet. Rassemblez et nettoyez d'abord les données de ce sujet, puis élargissez ; vouloir tout corriger d'un coup a tendance à épuiser un projet.
Est-il sûr de montrer des données clients à une IA ?
Ne pas les montrer tant que ce n'est pas nécessaire est le plus sûr. Si c'est nécessaire, masquez-les, restreignez l'accès et vérifiez si le service les conserve. Pour le RGPD, demandez à un juriste.
Pourquoi faut-il un jeu de test ?
Il permet de mesurer si le système fonctionne en reposant les mêmes questions encore et encore, plutôt qu'à l'impression. Quand vous changez les données ou l'outil, l'amélioration ou la dégradation devient visible.
