Portfolio

Mon sujet de veille

 Provenance et la formation des données d’entraînement de l’IA.

La méthode utilisée

Utilisation de feedly

Grâce à Feedly, j’ai pu centraliser plusieurs sources d’information en un seul endroit. En recherchant simplement un mot‑clé, la plateforme propose automatiquement des contenus liés au sujet, ce qui permet de suivre facilement les informations les plus pertinentes.

Utilisation de Google Alertes

Grâce à Google Alertes, j’ai pu recevoir chaque jour un e‑mail contenant des informations sur l’IA appliquée à la cybersécurité. Il suffit de définir un thème, et l’outil sélectionne automatiquement les contenus qu’il juge les plus pertinents, ce qui permet de rester informé sans effort

Certains des articles que j’ai utilisés.

Des humains dans la boucle : les annotateurs de données derrière les ensembles d’entraînement

Cet article explique que les grands modèles de langage reposent sur le travail d’annotateurs humains qui nettoient, classent et étiquettent les données d’entraînement. Il montre que cette main-d’œuvre, souvent invisible, est indispensable pour garantir la qualité et la fiabilité des modèles d’IA.
Voir plus

L’IA à l’OCDE : point d’information & calendrier médiatique

Cet avis officiel présente les publications récentes et futures de l’OCDE sur l’intelligence artificielle. Il met en avant les rapports consacrés aux mécanismes de collecte des données d’entraînement et souligne leur importance pour la gouvernance et la régulation de l’IA.


Voir plus

Common Crawl fait le sale travail de l’industrie de l’IA

L’article explique que Common Crawl récupère énormément de pages web et que ces données servent ensuite à entraîner les modèles d’IA. Il montre que le web scraping est l’une des principales sources de données pour les LLM, même lorsque les contenus ne sont pas toujours destinés à être copiés.

Voir plus

Connaître l’origine des informations utilisées par l’intelligence artificielle

L’article explique que les modèles d’intelligence artificielle s’entraînent surtout grâce à des données collectées en ligne. Il souligne que cette collecte massive, souvent réalisée par web scraping, soulève des questions essentielles liées aux droits d’auteur, à l’usage équitable, à la confidentialité et à la vie privée
Click Here

Nous manquons de données pour entraîner l’IA.


L’article explique que l’industrie de l’IA risque de manquer de données de qualité pour entraîner les modèles. Il présente des solutions comme les données synthétiques, les données sous licence et de nouvelles stratégies de collecte pour répondre à cette pénurie.
Voir plus

Collecte de données par l’IA : définition et fonctionnement.

L’article explique que la collecte de données destinée à entraîner l’intelligence artificielle doit être menée avec rigueur pour garantir des informations fiables. Il décrit les méthodes essentielles, les critères de sélection des sources et les précautions nécessaires pour assurer qualité, conformité et fiabilité
Click Here

Résumé : La provenance des données dans l’IA

L’intelligence artificielle dépend des données qu’elle utilise pour apprendre. Lorsque ces données viennent de sources peu fiables ou mal contrôlées, l’IA peut produire des erreurs, des biais ou utiliser des informations sans autorisation. On oublie aussi souvent que beaucoup de données sont annotées par des travailleurs mal payés, souvent dans des pays vulnérables.

Une bonne gestion de l’origine des données permet de créer des modèles plus justes, plus fiables et plus transparents. Cela aide à éviter les problèmes juridiques, à réduire les discriminations et à protéger les personnes qui travaillent derrière l’IA..

Recommandations simples :

  • Utiliser des données fiables et bien documentées.
  • Respecter la vie privée et le droit d’auteur.
  • Diversifier les sources pour limiter les biais.
  • Assurer de bonnes conditions de travail pour les annotateurs.
  • Être transparent sur l’origine et les limites des données.

→ Télécharger la veille complète (PDF)

Cliquez ici