Données d'entraînement
Aussi appelé : corpus d'entraînement
Ensemble des exemples (textes, images, sons, tableaux) à partir desquels un modèle d'IA apprend. Leur quantité, leur qualité et leur date déterminent en grande partie ce que le modèle sait faire.
En clair
Un modèle de langage est entraîné sur d'immenses corpus de textes ; un modèle de détection de défauts, sur des photos étiquetées. Ce qui manque dans les données manquera au modèle, et leurs déséquilibres deviennent des biais.
Les données d'entraînement ont une date limite : le modèle ignore ce qui s'est passé après, sauf s'il peut chercher sur le web ou dans vos documents. Elles posent aussi des questions de droit d'auteur et de données personnelles ; sur les données personnelles, la CNIL a publié des recommandations.
Un exemple dans une petite entreprise
Une entreprise de nettoyage veut prévoir ses besoins en personnel. Ses données ne couvrent qu'une année, marquée par un chantier exceptionnel. Avant tout projet d'IA, elle complète son historique : sinon, le modèle prendrait cette année atypique pour la règle.