Formation intelligence artificielle : mieux maitriser les données utilisées par nos IA

Module1 La disponibilité des données
On peut avoir l’impression de disposer de toutes les données, on peut avoir l’impression que les données auxquelles on a accès sont suffisamment nombreuses pour être représentatives de la problématique à résoudre.

Mais quelle est réellement la situation dans un monde qui évolue sans cesse ? Qu’est ce qui est produit, qu’est ce qui est disponible, à quoi avons-nous accès, qu’elle est la distribution et la représentation de nos données ? Comment ceci évolue-t-il ? Quels mécanismes de surveillance doit-on envisager ? Ou chercher des données complémentaires ? Qu’elle est l’actualité réelle de nos données ? Nos sources de données sont-elles pérennes ?

Module2 La qualité des données
Chacun demande à ce que les données qu’on lui fourni soient « de qualité ». Mais bien souvent les données disponibles doivent être utilisées telles qu’elles sont. Il arrive aussi que leur qualité change au fil du temps.

Comment définir un niveau de qualité acceptable de nos données ? En fonction de quoi ? Quel niveau de qualité doit-on fixer pour atteindre des objectifs de performance envisagés pour notre IA ? Quelles précautions prendre en fonction de ce niveau de qualité ? Que faire si le niveau n’est pas atteint ? La qualité des données est-elle intrinsèque ou relative à leur usage ? Peut-on comparer la qualité des données et comment ?

Module3 La préparation des données
C’est une tâche systématique à laquelle se vouent les datascientists. On cherche à nettoyer les données, supprimer ce qui sort du cadre, normaliser les données, dans l’espoir d’améliorer la performance des algorithmes.

Alors certes un nettoyage de ce type, qui élimine les cas singuliers, rend la catégorisation plus contrastée et la régression plus précise. Mais en préparant les données est ce que l’on introduit des biais dans nos données ? Est ce que l’on détruit des signaux faibles ? Ces signaux faibles qui disparaissent ne sont-ils pas annonciateurs d’évolution en cours, de dysfonctionnements, de fraudes qu’il faut signaler ?

Module4 Les incertitudes sur les données
Dans bien des cas, les données disponibles ne sont pas associées à des indices reflétant les incertitudes qu’elles portent. La note d’un élève est-elle à un point près, à un demi point, la notation est-elle homogène ?

L’incertitude peut influencer les résultats des algorithmes. Les algorithmes eux même peuvent ajouter des incertitudes. Or peu d’algorithmes de machine learning ou de deep learning prennent en compte les incertitudes sur les données, ce qui créé de mauvaises prises de décisions ou des injustices. Comment palier ce phénomène souvent sous-évalué, voire passé sous silence ? Comment prendre en compte et gérer les incertitudes en entrée et en sortie de notre IA ?

Module5 L’impact des données générées par l’IA
Nos algorithmes génèrent de nouvelles données. Ces données peuvent être plus ou moins bien reçues par les utilisateurs et les employés des entreprises. Quelles soient justes ou biaisées, elles ont un impact sur leur travail, sur leurs décisions.

Prouver, démontrer, expliquer en restant dans une dimension technique n’est pas suffisant pour lever les réticences. A quels dilemmes sont confrontés ceux qui sont censés exploiter les données générées par notre IA ? Ont-ils matériellement le temps à consacrer à ces nouvelles données ? La présence de biais ne va-t-elle pas les placer dans des situations insoutenables ? Qu’elle confiance doivent ils accorder à ces données ?

Module6 Les données personnelles
Bien sûr, il y a le RGPD. Ce règlement constitue un progrès dans la protection des individus. Mais dans certains domaines il peut s’avérer insuffisant ou au contraire, être appliqué de façon disproportionnée. Ceci peut engendrer des prises de risque juridique dans le premier cas ou affliger à l’entreprise un handicap concurrentiel dans le second cas.

Bien souvent ces problèmes proviennent d’une volonté d’appliquer les mêmes règles à tout un ensemble de données et d’algorithmes alors que rien n’y oblige. Dans d’autres cas les mesures d’anonymisation semblent logiques mais lorsque l’on regarde de près les données, ne permettent elles pas de retrouver quand même la personne concernée ? Il existe bien des dispositions possibles sur les données personnelles, lesquelles faut-il appliquer pour notre IA ? Sur quelles données en particulier ? Pour combien de temps ?

Module7 La valorisation des données
Lorsque l’on parle de valorisation des données on pense à améliorer l’exploitation des données par l’entreprise pour l’entreprise. On pense également à la revente de données. Mais il existe de nombreuses autres manières de valoriser ses données que ce soit en interne ou en externe.

Dans bien des cas, lorsque l’on cherche à valoriser ses données, le reflexe est de partir des données et chercher ce que l’on peut en faire. Mais il est préférable de définir une stratégie data claire pour ensuite évaluer la couverture de cette stratégie par les données disponibles, et le cas échant consolider ou recouper ces données avec des données externes ou acquises. Quelle stratégie adopter dans quel cas de figure ? Quelle est la pérennité de nos données ? Comment s’apercevoir de leur obsolescence ? Que valent réellement nos données ?

Module8 La contextualisation des données
Un contexte apporte énormément d’informations sur la nature et la vocation de nos données. Beaucoup de ces informations sont implicites. Mais les données sur lesquelles nous appliquons des traitements ne sont pas toujours issues de sources connues, ni produites dans des contextes clairement décrits.

Peut-on et doit-on retrouver ou regénérer les contextes pour exploiter efficacement nos données ? Quelle description contextuelle doit-on associer aux données que notre IA produit pour les rendre exploitables ? Faut-il une date de péremption ? Des informations sur leur date de création et leur provenance suffiront elles ? Que faut-il faire lorsque l’on place nos données dans un contexte différent ? Quels sont les points d’attention critiques ?

Module9 Les signaux faibles
Très souvent les signaux faibles disparaissent dans les traitements que nous affligeons à nos données, parce qu’on ne les reconnait pas, ou parce que l’on à pas prévu de les rechercher. Pourtant leur détection précoce peut être annonciatrice de phénomènes émergeants, de difficultés à venir, de corrections à apporter. Mais quels signaux peuvent êtres portés par nos données ? Comment les détecter et les exploiter ? Existe-t-il des filtres pour les mettre en exergue ? Comment les signaler ?

Module10 La conservation
Quelles données avons-nous besoin de conserver ? Combien de temps ? Pour quel usage ? De quelles informations faut-il les doter pour les rendre exploitables plus tard ? En quoi consiste la mise en œuvre d’un processus d’oubli ? Qu’apporte l’oubli s’il est bien géré ?

Module11 L’abstraction des données
Nos données permettent-t-elles de les abstraire ? Quelles informations et quelles connaissances peut-on extraire de nos données ? Comment ces informations et connaissances pourront elles être exploitées par nos processus ? Que nous apporterait cette abstraction de nos données ? Comment les abstraire ?

Module12 L’extension ou la réduction des données

Une variété regroupe toutes les variations possibles de données à partir de celles connues. Quel type de variété utiliser pour notre IA ? Comment la mettre en œuvre ? Comment vérifier la pertinence de données générées en complétant des variétés ? Comment s’assurer que les données réduites via une variété restent suffisantes ? Comment construire ces variétés ?