Collecter
Créer, mesurer, acheter ou réutiliser des informations provenant de sources identifiées.
La matière première des modèles
Quelles données utilise une IA ?
Une donnée est une information enregistrée sous une forme qu’un système peut traiter : nombre, mot, image, son, clic ou mesure. Seule, elle ne « dit » pas tout. Son origine, sa qualité et la façon dont elle est préparée changent ce que l’IA pourra apprendre.
Texte42ImageVoixClicTempératureUne donnée peut décrire une personne, un objet, une action ou un phénomène.
Observer avant d’apprendre
Que voit réellement le système ?
Choisissez un type de donnée. L’IA ne reçoit pas notre expérience du monde : elle traite une représentation numérique préparée pour une tâche.
Du monde réel au modèle
Une donnée ne passe pas directement dans l’IA
Trier et nettoyer
Retirer les doublons, corriger des erreurs et limiter les éléments inutiles.
Décrire ou annoter
Ajouter parfois une étiquette humaine : « spam », « chat », « avis positif ».
Transformer
Convertir les informations en représentations numériques adaptées au modèle.
Répartir et contrôler
Séparer entraînement, validation et test, puis documenter la provenance et les limites.
Un exemple et une étiquette
Les humains donnent souvent une partie du sens
Dans l’apprentissage supervisé, des personnes peuvent associer une réponse attendue à chaque exemple. Cette annotation sert de repère au modèle.
Pour détecter les courriels indésirables, on peut fournir le contenu d’un message avec l’étiquette « spam » ou « non-spam ». Si les consignes sont floues ou les annotations incohérentes, le modèle reçoit de mauvais repères.
Exemple
« Vous avez gagné. Cliquez immédiatement pour recevoir votre lot. »
Étiquette humaineSpam probable
Ce repère simplifié dépend de règles définies pour le projet.La qualité avant la quantité
Un grand jeu de données peut rester mauvais
Un million d’exemples presque identiques ne représente pas forcément le monde réel. Une base utile doit correspondre à la tâche, couvrir les situations importantes et contenir le moins possible d’erreurs évitables.
Les valeurs et les étiquettes sont-elles suffisamment fiables ?
Les cas, langues et publics nécessaires sont-ils présents ?
Les informations correspondent-elles encore à la réalité ?
Chaque donnée aide-t-elle réellement à accomplir la tâche prévue ?
Public ne signifie pas libre de tout usage
Données publiques, personnelles et sensibles
Une information visible sur Internet peut rester protégée par le droit d’auteur, le droit des données personnelles ou les conditions du site qui la publie.
Elle permet d’identifier directement ou indirectement une personne : nom, image, voix, identifiant, localisation…
Elle révèle notamment la santé, les opinions politiques, la religion, la biométrie ou l’orientation sexuelle. Sa protection est renforcée.
Elle ne doit plus permettre raisonnablement d’identifier une personne. Remplacer un nom par un numéro ne suffit pas toujours.
Votre conversation aussi contient des données
Avant d’envoyer un document à une IA
Trois idées à corriger
Ce que les données ne garantissent pas
Non. L’accès public ne supprime pas automatiquement les droits, la vie privée ni les conditions de réutilisation.
Non. La quantité ne compense pas toujours des erreurs, un manque de diversité ou un mauvais lien avec la tâche.
Non. Le choix de ce que l’on collecte, exclut, corrige et étiquette reflète des décisions humaines.
Sources pédagogiques et institutionnelles
Pour vérifier les notions
Ces références détaillent la constitution, la qualité et la protection des jeux de données utilisés en apprentissage automatique.
CNILCollecter et qualifier les données d’entraînement →CNILComprendre l’annotation des données →Google for DevelopersCaractéristiques d’un jeu de données →
Sources consultées le 27 septembre 2026.
La suite logique
Voyez comment des données et des choix peuvent créer des biais.
Comprendre une notion
Gardez le fil de votre apprentissage.
Une étape courte et clairement reliée à ce que vous venez de lire.