Glossaire

Garbage in, garbage out (GIGO)

Qu’est-ce que 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.

Ce que fait KI.ordo

Dans KI.ordo aussi, la qualité des réponses dépend des connaissances fournies ; la liste des lacunes vous montre à quelles questions il manque des sources claires.

En savoir plus →

Thèmes

Qualité des données
Principe
Entretien des connaissances

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

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.

qualité des données
doublons
+1

Modèle

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

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

Gouvernance des données

La gouvernance des données regroupe les règles, rôles et processus par lesquels une organisation détermine qui peut collecter, utiliser, modifier et supprimer quelles données. Elle couvre la responsabilité de la qualité des données, les droits d'accès, les durées de conservation et le respect de la protection des données. Elle est essentielle pour les projets d'IA, car modèles et agents ne sont fiables que si les données qu'ils exploitent le sont.

gestion des données
conformité
+1