Glossaire

Nettoyage des données

Qu’est-ce que Nettoyage des données ?

Le nettoyage des données consiste à repérer et corriger les entrées erronées, en double ou incohérentes d'un jeu de données. Les étapes typiques : harmoniser l'orthographe et les formats de date, supprimer les espaces superflus et fusionner les doublons comme « Dupont SARL » et « Dupont S.A.R.L. ». Des données propres sont la condition d'analyses, de mailings et d'applications d'IA fiables.

Ce que fait KI.ordo

Un modèle KI.ordo nettoie vos listes, signale les doublons possibles et les informations manquantes, et produit un journal des modifications.

En savoir plus →

Modèles adaptés

Nettoyer une listeHarmonise les graphies, les espaces, les majuscules et les formats de date, signale les doublons possibles et les informations manquantes, et consigne chaque modification.Voir le modèle →

Thèmes

qualité des données
doublons
maintenance des données

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Validation des données

La validation des données vérifie que les données sont complètes, correctement formatées et plausibles avant d'être traitées. Les contrôles typiques portent sur les champs obligatoires, le format des adresses e-mail, des codes postaux ou des dates, ainsi que sur les incohérences logiques, comme une date de livraison antérieure à la date de commande. Les erreurs sont ainsi repérées tôt au lieu de se propager dans les rapports, les factures ou les analyses d'IA.

qualité des données
contrôle
+1

Modèle

Appariement approximatif (fuzzy matching)

L’appariement approximatif (fuzzy matching) repère des entrées semblables mais pas strictement identiques, par exemple à cause de fautes de frappe, d’abréviations ou de graphies différentes. Il s’appuie sur des mesures de similarité comme la distance de Levenshtein, qui compte le nombre de caractères à modifier. Usage typique : la recherche de doublons dans les fichiers d’adresses et de clients, où « Dupont SARL, 5 av. Foch » et « Dupont S.A.R.L., 5 avenue Foch » sont reconnus comme probablement identiques.

Nettoyage de données
Doublons
+1

Modèle

Garbage in, garbage out (GIGO)

« Garbage in, garbage out » (des déchets en entrée donnent des déchets en sortie) exprime le principe selon lequel un système ne peut produire de résultats meilleurs que les données qu’il reçoit. C’est d’autant plus vrai pour l’IA : des données d’entraînement ou de connaissance erronées, obsolètes ou partiales conduisent à des réponses fausses ou biaisées. Un chatbot qui consulte une grille tarifaire périmée donnera des prix périmés. L’entretien des données est donc une tâche permanente de tout projet d’IA.

Qualité des données
Principe
+1

Données structurées

Les données structurées suivent un schéma fixe avec des champs clairement nommés, comme des tableaux, des bases de données ou des objets JSON contenant nom, prix et date. Les machines peuvent les lire, les filtrer et les traiter de manière fiable, contrairement au texte libre ou aux images. Sur les sites web, le balisage schema.org décrit par exemple produits, événements ou FAQ afin que moteurs de recherche et systèmes d'IA en comprennent le contenu sans ambiguïté. L'IA peut aussi extraire des données structurées de textes non structurés.

données
JSON
+1