Glossaire

Apprentissage fédéré

Qu’est-ce que Apprentissage fédéré ?

L’apprentissage fédéré est une méthode d’entraînement dans laquelle un modèle d’IA apprend sur de nombreux appareils ou sites sans que les données brutes ne les quittent. Chaque participant entraîne le modèle localement et n’envoie que des mises à jour à un serveur central, qui les agrège. Cela préserve la confidentialité et convient par exemple à des hôpitaux souhaitant améliorer ensemble un modèle de diagnostic, ou aux claviers de smartphone qui apprennent des suggestions de mots.

Thèmes

Confidentialité
Entraînement distribué
Apprentissage automatique

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

Réglementation sur la protection des données

La réglementation sur la protection des données regroupe les règles juridiques encadrant le traitement des données personnelles. Dans l'UE, le Règlement général sur la protection des données (RGPD) fait référence ; il exige notamment une base légale pour chaque traitement, la minimisation des données, la transparence envers les personnes concernées et des contrats de sous-traitance avec les prestataires. Avec l'IA, il faut déterminer quelles données entrent dans les saisies, les sources de connaissances et les journaux, et où elles sont traitées.

RGPD
protection des données
+1

Données d'entraînement

Les données d'entraînement sont les exemples à partir desquels un modèle d'IA apprend des régularités : de vastes corpus de textes pour les modèles de langage, des images annotées pour les modèles de vision. Leur qualité, leur diversité et leur actualité déterminent largement la fiabilité, l'équité et le niveau de connaissances d'un modèle. Pour une entreprise, il importe aussi de savoir si un fournisseur réutilise vos données clients pour l'entraînement.

Données
Entraînement
+1

Apprentissage automatique

L’apprentissage automatique (machine learning) est une branche de l’intelligence artificielle dans laquelle les ordinateurs déduisent des régularités à partir de données au lieu de recevoir chaque règle explicitement programmée. Selon la tâche, les modèles apprennent à partir d’exemples étiquetés (supervisé), de données non étiquetées (non supervisé) ou par récompense (par renforcement). Les applications vont des filtres anti-spam aux prévisions de demande et aux recommandations de produits. La qualité dépend fortement du volume et de la qualité des données d’entraînement.

fondamentaux
IA
+1

Données synthétiques

Les données synthétiques sont générées artificiellement au lieu d'être collectées dans le monde réel, tout en reproduisant leurs régularités et propriétés. Elles sont utiles lorsque les données réelles sont rares, coûteuses ou sensibles au regard de la protection des données, par exemple pour tester un logiciel, entraîner des modèles ou éprouver un chatbot avec des demandes réalistes. Veillez à ce qu'elles reflètent suffisamment la réalité et ne permettent pas d'identifier de vraies personnes.

données de test
protection des données
+1

Modèle