Glossaire

Données d'entraînement

Qu’est-ce que 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.

Ce que fait KI.ordo

Selon les conditions commerciales d'Anthropic (état : octobre 2026), Anthropic ne peut pas entraîner de modèles sur le contenu client issu de ses services, et les évaluations 👍/👎 dans KI.ordo servent uniquement à améliorer connaissances et instructions, pas à entraîner des modèles.

En savoir plus →

Thèmes

Données
Entraînement
Protection 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

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

Pénurie de données

On parle de pénurie de données lorsqu'une tâche d'IA ne dispose pas d'assez de données adaptées ou annotées pour entraîner ou tester un modèle de manière fiable. C'est le cas par exemple pour des défauts rares en production, des langues peu répandues ou de nouveaux produits sans historique de ventes. Parmi les solutions : l'apprentissage par transfert, les données synthétiques, l'augmentation de données ou des modèles de langage pré-entraînés qui donnent des résultats utiles avec peu d'exemples.

données d'entraînement
qualité des données
+1

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

Biais

En IA, un biais est une distorsion systématique des résultats. Il provient souvent de données d'entraînement déséquilibrées ou marquées par l'histoire, mais aussi de la conception du modèle ou de la formulation de la question. Exemple connu : un filtre de candidatures qui apprend des recrutements passés peut perpétuer des discriminations. En statistique, le biais désigne aussi l'écart entre une estimation et la valeur réelle. Parades : données variées, contrôles réguliers et décisions humaines pour les questions de personnel.

Éthique de l'IA
Équité
+1