IA & données
Préparer ses données avant un projet IA : qualité, accès et actualisation
Un projet IA dépend des informations qu’il peut exploiter et de leur signification. Des données contradictoires, des documents périmés ou des accès mal définis peuvent limiter l’utilité d’un modèle pourtant performant. La préparation n’a pas besoin de commencer par tout centraliser : elle doit rendre un premier périmètre compréhensible et gouvernable.
Relier chaque donnée à une tâche
Décrivez le travail attendu, puis listez les informations qui l’aident réellement. Résumer un dossier, répondre à une procédure et classer une demande n’utilisent pas les mêmes sources. Évitez de copier tout le système d’information dans un nouvel espace sans savoir quelles questions il doit résoudre.
Rassemblez un échantillon représentatif avec les personnes qui connaissent le métier. Incluez les cas incomplets et les exceptions. Ce premier périmètre permet d’identifier les défauts importants sans engager immédiatement une migration générale ou une collecte disproportionnée.
Définir les termes et la source de référence
Un même client peut avoir plusieurs identifiants dans les outils, et un statut « terminé » peut signifier des choses différentes selon l’équipe. Définissez le vocabulaire et les rapprochements nécessaires. Les références stables évitent de relier automatiquement deux informations qui semblent proches sans désigner le même objet.
Attribuez une source faisant référence pour chaque donnée importante. Précisez qui peut la modifier et comment corriger une erreur. Une fonction IA ne doit pas décider seule quelle version d’une règle commerciale ou d’une procédure fait foi lorsque plusieurs documents se contredisent.
Vérifier formats, doublons et documents
Repérez les champs vides, les valeurs incohérentes et les enregistrements dupliqués. Définissez un traitement adapté : corriger, exclure ou soumettre à revue. Conservez les informations permettant de comprendre ces décisions. La suppression automatique de doublons sans règle peut fusionner des dossiers distincts.
Pour les documents, vérifiez l’extraction et les versions. Une image scannée, un tableau et un texte structuré ne donnent pas les mêmes résultats. Testez les contenus tels qu’ils seront réellement présentés au système plutôt que de vous fier à leur apparence dans le lecteur d’origine.
Préparer les accès et les informations sensibles
Classez les sources selon leur public et leur sensibilité. Définissez quelles informations peuvent être utilisées par chaque profil et vers quels services elles peuvent être transmises. Les permissions doivent être appliquées avant recherche et génération, pas seulement au moment d’afficher une citation.
Lorsque des données personnelles sont présentes, associez les responsables du traitement et de la protection des données au cadrage. Limitez les informations au besoin et définissez leur conservation. Les recommandations officielles peuvent aider à poser les questions, mais le dispositif doit correspondre à vos traitements réels.
Organiser les mises à jour et les essais
Déterminez comment une création, une correction ou une suppression sera répercutée. Un index documentaire oublié peut continuer à utiliser une ancienne procédure. Prévoyez un état permettant de savoir quelles sources ont été traitées et lesquelles demandent une intervention.
Conservez des exemples de tâches avec les informations attendues pour tester les évolutions. Attribuez la revue des erreurs et la maintenance du raccordement. Une base fiable est un processus suivi dans le temps, avec des décisions explicites, plutôt qu’un export réalisé une seule fois avant le lancement.
Les points à vérifier
- Associer les sources à un usage précis.
- Définir vocabulaire, références et propriétaires.
- Traiter doublons, extraction et versions.
- Appliquer les droits avant l’utilisation par l’IA.
- Prévoir mises à jour, suppressions et tests de référence.
Questions fréquentes
Faut-il une grande quantité de données pour commencer ?
Pas nécessairement. Un corpus limité et de qualité peut permettre de vérifier un premier usage. La quantité utile dépend de la tâche et des résultats attendus.
Peut-on demander au modèle de nettoyer toutes les données ?
Il peut aider à préparer des suggestions, mais les règles et corrections importantes doivent être vérifiées. Une incohérence de sens ne se résout pas toujours par une reformulation automatique.
Un projet à explorer
Pare-Brise Éco
Pare-Brise Éco réunit documents, dossiers et intégrations dans un même logiciel métier. Cette organisation illustre les relations à clarifier avant d’utiliser les informations dans une assistance IA.
Explorer le projet