La traçabilité des données d’entraînement au titre du règlement européen sur l’IA

Ce qu’attend le règlement

Les fournisseurs de modèles d’IA à usage général doivent tenir une documentation technique sur leurs données d’entraînement et publier un résumé suffisamment détaillé des contenus utilisés, accompagné d’une politique de respect du droit d’auteur de l’Union, y compris des réserves de droits exprimées par les titulaires. Les fournisseurs de systèmes d’IA à haut risque sont soumis à des obligations de gouvernance des données sur les jeux de données d’entraînement. Toutes ces obligations pointent dans la même direction. Une collecte web ne peut pas fournir ce qu’elles demandent, car elle consigne ce qui a été pris et non ce qui a été permis.

Données collectées par scraping ou sous licence

Le statut au regard du droit d’auteur des données collectées est contesté, les oppositions sont difficiles à honorer rétroactivement, et leur contenu se trouve, par construction, déjà dans tous les modèles concurrents.

Un laboratoire qui entraîne sur des données sous licence peut inscrire dans sa documentation technique un récit d’approvisionnement documenté, plutôt que la description d’une collecte.

Une courte liste de contrôle pour les équipes IA

Pouvez-vous nommer la source juridique de chaque jeu de données d’entraînement ? Ce récit d’approvisionnement résisterait-il à son inscription dans la documentation technique de votre modèle ?

Vos jeux de données sont-ils livrés avec des preuves d’anonymisation ou de traitement des données personnelles ? Si un titulaire de droits ou un régulateur pose la question demain, combien de temps prendrait la réponse ?

Données personnelles

Le droit d’auteur et la documentation forment une moitié de la question. Les données personnelles d’un jeu d’entraînement en sont l’autre moitié, et le RGPD régit tout ce qui reste personnel. Il demande une base légale et une finalité, ainsi que la trace des deux.

Les entités nommées, les données personnelles et les identifiants commerciaux sont supprimés ou pseudonymisés avant la livraison. La pseudonymisation est déterministe, afin que les renvois entre documents restent cohérents.

Autres questions

Les réponses aux questions courantes sur la licence et la livraison figurent dans la FAQ. Si la vôtre n’y figure pas, écrivez-nous.