« Nous avons beaucoup de données, mais nous ne les exploitons pas. » Nous entendons cette phrase en permanence. Et aussi son contraire : « Nous n’avons pas assez de données pour l’IA. » Curieusement, les deux affirmations viennent parfois de la même entreprise, selon l’interlocuteur.
En réalité, les données nécessaires à l’IA dépendent entièrement du type de projet. Il n’existe pas de seuil universel. Il existe en revanche des repères clairs pour juger si les données disponibles suffisent pour un cas d’usage donné, et que faire lorsque ce n’est pas le cas.
Le mythe du « big data »
L’un des malentendus les plus répandus veut que l’IA exige des quantités massives de données. Il vient en partie du marketing de ces dernières années, qui associait l’IA aux projets de Google ou d’Amazon traitant des milliards d’enregistrements.
La réalité des entreprises est différente. Un modèle de prévision des ventes pour une ETI peut parfaitement fonctionner avec un historique suffisant des commandes : pas forcément des volumes énormes, mais des données représentatives de l’activité. Un système de détection d’anomalies sur une ligne de production peut s’entraîner sur l’historique disponible des capteurs. Un classifieur de documents peut être précis avec quelques centaines d’exemples annotés, et non des millions.
Ce qui compte n’est pas le volume absolu, mais la capacité des données à couvrir une variabilité suffisante du phénomène à modéliser. Une année de données dans une activité saisonnière vaut bien moins que trois années couvrant plusieurs cycles complets.
Les trois dimensions qui comptent vraiment
Pertinence. Les données disponibles doivent renseigner les variables qui déterminent le résultat à prédire ou à automatiser. Cela paraît évident, mais ne l’est pas : de nombreuses entreprises disposent de données abondantes sur ce qui est facile à mesurer (temps de traitement, quantités produites) et de peu de données sur ce qui détermine les résultats les plus importants (motifs de départ des clients, causes profondes des défauts de qualité).
Qualité. Les données peuvent exister et rester inutilisables si elles présentent des taux élevés de valeurs nulles, des erreurs de saisie systématiques, des doublons ou des incohérences entre systèmes. Une règle pratique : si plus de 20 à 30 % des valeurs manquent dans les variables clés, le projet de nettoyage des données passe avant le projet d’IA.
Profondeur temporelle. Pour les modèles prédictifs, l’historique doit couvrir une durée suffisante pour que le modèle apprenne les comportements utiles. Si l’activité présente une saisonnalité annuelle, deux ou trois ans de données sont bien plus utiles que six mois.
Les types de projets et leurs besoins en données
Automatisation avec l’IA générative (tri des e-mails, synthèse de documents, rédaction de réponses) : aucune donnée d’entraînement propre n’est nécessaire. Les grands modèles de langage sont déjà préentraînés. Il faut en revanche les documents ou les textes qui servent de contexte (manuels, catalogues, FAQ). Toute entreprise dotée d’une documentation interne en a assez.
Modèles de prédiction supervisée (demande, attrition, prix) : ils exigent un historique de la variable à prédire et des variables explicatives pertinentes. Le volume minimal dépend du problème : il faut assez d’exemples de l’événement à prédire pour que le modèle en apprenne le schéma. Plus l’événement est rare, plus l’historique doit être long. Davantage de données est préférable, même si le gain diminue au-delà d’un certain point.
Vision par ordinateur (contrôle qualité, classification d’images) : elle exige des images annotées par catégorie. Le volume minimal dépend de la complexité du problème, mais on retient souvent quelques centaines d’images par classe. Avec l’apprentissage par transfert, ce besoin diminue nettement.
Détection d’anomalies (maintenance prédictive, fraude) : elle peut fonctionner avec des données majoritairement « normales » si le phénomène anormal est rare. Les modèles apprennent d’abord le comportement normal, puis repèrent les écarts. L’historique des pannes ou des fraudes aide, mais n’est pas toujours indispensable.
Que faire quand les données ne suffisent pas
C’est la situation la plus fréquente dans les entreprises qui débutent avec l’IA, et elle n’a rien de rédhibitoire.
Commencer à collecter les données de façon méthodique. Si la donnée nécessaire n’est pas enregistrée aujourd’hui, c’est maintenant qu’il faut commencer. De nombreux projets d’IA réussis ont débuté six ou douze mois avant l’entraînement du moindre modèle, par la mise en place de la collecte des données.
Adapter le cas d’usage aux données disponibles. Plutôt que de s’attaquer au problème idéal, s’attaquer à celui que les données actuelles permettent de résoudre. Un modèle moins ambitieux mais en production crée plus de valeur qu’un modèle parfait qui ne voit jamais le jour.
Techniques d’augmentation de données. En vision par ordinateur, des techniques permettent de multiplier artificiellement le volume des données d’entraînement (rotations, variations d’éclairage, etc.). Dans d’autres domaines, des techniques de synthèse de données élargissent un petit jeu d’entraînement.
Apprentissage par transfert. Des modèles préentraînés sur de grands jeux de données peuvent être adaptés à des tâches précises avec relativement peu de données propres. Cette technique a nettement réduit les besoins en données d’entraînement pour de nombreux types de problèmes.
L’inventaire des données, première étape
Avant de juger si les données suffisent pour un projet d’IA, il est utile d’en dresser un inventaire méthodique : quelles données sont enregistrées, dans quels systèmes, avec quelle qualité, depuis quand, et peuvent-elles être exportées et croisées avec d’autres sources ?
Cet inventaire, qui fait partie de ce qu’un audit IA réalise méthodiquement, produit rarement des surprises extrêmes, bonnes ou mauvaises. Le plus souvent, on trouve des données suffisantes pour quelques cas d’usage prioritaires, des données de qualité perfectible pour d’autres et des lacunes nettes qui indiquent où investir dans l’infrastructure de données.
Questions fréquentes
Les données de fournisseurs ou les données externes peuvent-elles compléter les données internes ? Oui, dans bien des cas. Les données météorologiques, économiques ou de trafic peuvent enrichir des modèles de prévision. Les données sectorielles ou les benchmarks peuvent apporter du contexte. L’essentiel est de s’assurer que l’intégration de données externes respecte la réglementation applicable en matière de vie privée, et que ces données ont la qualité et la fréquence de mise à jour dont le modèle a besoin.
Combien de temps faut-il pour « nettoyer » les données d’un projet d’IA ? Cela dépend de l’état initial. Lorsque les données se trouvent dans des systèmes bien tenus, la préparation est relativement simple. Lorsqu’elles sont réparties entre de multiples sources aux formats hétérogènes et présentent des problèmes de qualité, la préparation peut être, de loin, le travail le plus long de tout le projet.
Qu’en est-il des données personnelles des clients ? Travailler avec des données personnelles dans un projet d’IA a des implications au regard du RGPD et, selon le type de projet, du règlement européen sur l’IA (AI Act). La minimisation des données (n’utiliser que les données strictement nécessaires) et l’anonymisation ou la pseudonymisation des données d’entraînement sont de bonnes pratiques qui réduisent le risque réglementaire comme les risques pour la vie privée.