Utiliser son portail de données pour alimenter des modèles d’IA, quels bénéfices ?

L’intelligence artificielle (IA) est au cœur des débats dans tous les secteurs d’activité, devenant ainsi le sujet phare de la décennie. Que ce soit dans la finance, la santé, les SaaS, l’industrie ou les services publics, l’IA transforme les processus, améliore les performances et ouvre la voie à des innovations sans précédent.

Utilisée judicieusement et quand elle est de qualité, l’intelligence artificielle représente une opportunité extraordinaire de changer les paradigmes d’une organisation et de stimuler sa croissance. Cependant, son efficacité dépend intrinsèquement de la qualité des données qui l’alimentent et à ce sujet, les retours sont parfois mitigés. Il est en effet légitime de se demander si des données obsolètes et/ou peu fiables ne risquent pas de compromettre l’utilité de l’intelligence artificielle sur le long terme.

Pour pallier ce problème, les portails de données sont des solutions toutes trouvées. Véritables fondations pour nourrir des modèles d’IA de confiance et efficaces, les portails de données vont jouer un rôle majeur dans les années futures. Pourquoi ? Explications dans cet article.

Les modèles d’intelligence artificielle sont principalement basés sur l’apprentissage automatique (machine learning) et l’apprentissage profond (deep learning). Ces technologies requièrent des ensembles de données volumineux pour apprendre à reconnaître des motifs, faire des prédictions, traduire, transcrire ou générer du contenu, dans le cas des IA génératives. Leur fiabilité dépend directement de la qualité des données d’entraînement. Des données biaisées, incomplètes ou obsolètes peuvent entraîner des erreurs et impacter les performances des services développés sur la base de ces IA.

En voici des exemples pour le moins dérangeants :

• Chatbot Tay de Microsoft et algorithme de Facebook : quand le premier a diffusé des propos racistes sur les réseaux sociaux, le second a créé des recommandations de contenus racistes.
• Google Ads : On se souvient également de Google Ads dont les publicités de métiers hautement rémunérés étaient davantage proposées aux hommes qu’aux femmes. Amazon avait, via une IA de recrutement, vécu une situation relativement similaire.
• ChatGPT d’OpenAI : Bien que performant, ChatGPT 3.5 pouvait jusqu’à peu produire des réponses dépassées, car il était entraîné sur des données qui s’arrêtaient en 2021.

Le constat est limpide : lorsqu’un algorithme est formé sur des données simplifiées ou contient les biais cognitifs de son concepteur, ses conclusions subissent des dégradations. Résultat, l’IA voit son utilité s’amenuiser par manque de fiabilité. Pour lutter contre ces problèmes, les professionnels chargés de concevoir les algorithmes doivent prendre conscience de leurs préjugés et utiliser des ensembles de données représentatifs de la réalité pour éviter toute distorsion lors de l’entraînement de l’algorithme.

Pour garantir la fiabilité d’une intelligence artificielle, il est essentiel que les données utilisées répondent à trois critères principaux, à savoir :

• Fiabilité : Premièrement, les données doivent être précises et exclure tout biais susceptible de compromettre leur véracité. De plus, une mise à jour régulière des données est cruciale pour assurer la pertinence des modèles dans des environnements en constante évolution. Des données obsolètes pourraient entraîner des erreurs de prédiction ou de prise de décision. Les données utilisées pour entraîner les IA ne doivent donc pas être figées.
• Représentativité : Pour éviter les biais, les données doivent couvrir divers scénarios et groupes démographiques. Un manque de diversité peut rendre l’IA moins efficace. Par exemple, un modèle de reconnaissance vocale entraîné principalement sur des voix d’une certaine région peut mal performer avec des accents différents.
• Sécurité et confidentialité : Il est impératif de garantir la conformité des données transmises à l’IA avec les réglementations en vigueur, telles que le RGPD, afin de protéger la vie privée des individus. De même, une évaluation minutieuse est essentielle avant toute transmission à l’algorithme pour éviter toute fuite de données sensibles (data client, projets en cours de développement, etc.). Il est impératif d’anonymiser les données avant de les utiliser pour alimenter des IA.

En respectant ces principes, les organisations peuvent commencer à développer des IA plus sûres, qualitatives et efficaces, capables de fonctionner de manière optimale dans divers contextes et pour tous les utilisateurs.

Pour alimenter une IA, une organisation pourra utiliser plusieurs types de sources de données : les données internes, issues de ses propres opérations, les données externes, souvent accessibles via des portails open data, les réseaux sociaux, ou les moteurs de recherche, et les données de partenaires.

Les données internes sont celles collectées directement par une organisation au cours de ses activités quotidiennes. Elles incluent des informations détaillées sur les clients, les transactions, les opérations logistiques et plus encore. Ces données sont extrêmement spécifiques et pertinentes pour des applications internes car elles reflètent directement les opérations et les interactions spécifiques de l’organisation. Cependant, elles peuvent souffrir de limitations importantes, notamment un manque de diversité et la présence de biais spécifiques à l’environnement de l’organisation, ce qui peut restreindre la capacité des modèles d’IA à fonctionner efficacement dans des contextes plus larges.

Pour pallier les limitations des données internes, les données externes jouent un rôle crucial. Cette data est souvent publiée par des institutions gouvernementales ou internationales, des organismes de recherche ou de statistiques ou encore des collectivités. Ces données offrent une diversité et une portée que les données internes ne peuvent pas fournir, permettant ainsi aux modèles d’IA de bénéficier d’une contextualisation plus riche et de perspectives plus variées.

L’utilisation de données démographiques ou économiques issues de sources gouvernementales permet aux organisations d’affiner leurs algorithmes pour mieux prédire les comportements de consommation et analyser les tendances du marché. En somme, une stratégie efficace pour alimenter les IA doit inclure un mélange judicieux de données internes et externes. Les premières fournissent la spécificité nécessaire pour des applications ciblées, tandis que les secondes offrent l’échelle et la diversité nécessaires pour des modèles robustes et adaptatifs.

Dans l’optique d’apporter des données externes pour renforcer les modèles d’IA, le Data Hub d’Opendatasoft se révèle être une ressource précieuse. Notre portail permet d’accéder à plus de 33.000 jeux de données, enrichissant les ensembles de données internes avec des perspectives externes diversifiées. En intégrant des données de divers secteurs via le Data Hub, les organisations peuvent améliorer la précision de leurs modèles d’IA. Cela les aide non seulement à surmonter les biais des données internes, mais aussi à produire des analyses plus robustes et des prédictions plus fiables, améliorant ainsi leur prise de décision et leur compétitivité sur le marché.

Enfin, les organisations peuvent s’appuyer sur les données de partenaires, qui peuvent s’avérer très utiles pour donner plus de contexte à certains schémas. Par exemple, les collectivités doivent s’appuyer sur les données des acteurs de la mobilité, des acteurs de l’énergie ou encore des différentes entreprises présentes sur leur territoire pour avoir une vue globale de la situation.

Partager des données entre partenaires est un processus qui encourage la collaboration, l’innovation et la création de nouveaux usages à forte valeur ajoutée. Il ne doit donc pas être négligé dans la mise en place de modèles d’IA.

Si utiliser un portail de données ouvertes comme le Data Hub est utile pour enrichir son IA de data externe, l’intégration d’un portail de données interne est tout aussi intéressante. Bien structurée, il s’agit d’une solution stratégique à placer comme milieu de terrain entre la production de data et la transmission à une IA.

Les portails data internes intègrent des fonctionnalités qui prennent plus que jamais sens :

• Centralisation et mise à jour constante : La centralisation via un portail de tous les actifs de données d’une organisation permet une gestion plus efficace des informations, facilitant ainsi l’accès et la mise à jour régulière des données. Ce processus assure que l’IA travaille toujours avec les informations les plus récentes, réduisant le risque d’erreurs de prédiction.
• Dédoublement et conformité : En plus de centraliser les données, le portail aide à les dédoubler et à les vérifier pour la conformité, garantissant ainsi leur précision et leur fiabilité. Cette étape est essentielle pour prévenir les problèmes de qualité des données qui peuvent fausser les résultats de l’IA.
• Transmission sécurisée : Avoir un portail de données propre permet également une transmission sécurisée et contrôlée des données vers les systèmes d’IA. Cela assure que toutes les données sensibles restent protégées et que leur utilisation respecte les réglementations en vigueur, comme le RGPD pour la protection des données personnelles.

En bref, les portails de données internes ont un rôle indispensable dans l’alimentation des modèles d’IA. Ils ne fournissent pas seulement les données nécessaires, mais s’assurent que ces données sont exactes, à jour, diversifiées, et utilisées de manière éthique et conforme. Et c’est bien loin d’être leur seul intérêt !

En résumé, la synergie entre les portails de données et l’intelligence artificielle est essentielle. Comme le soulignait le mathématicien Cédric Villani en 2018, « Les données sont la matière première de l’IA contemporaine, et d’elles dépendent l’émergence de nombreux usages et applications. » Cette déclaration souligne l’importance cruciale d’une gestion adéquate des données pour optimiser l’efficacité des modèles d’IA.

Les portails de données, qu’ils soient internes ou ouverts, fournissent une infrastructure nécessaire pour centraliser, actualiser et sécuriser les données, assurant ainsi des prédictions précises et des décisions bien informées. C’est un mariage de raison entre la technologie et la gestion de l’information, essentiel pour propulser l’intelligence artificielle vers de nouveaux sommets d’efficacité.