Données et modèles IA : la bonne question est “pour quelle tâche ?”
Comment relier données, modèle et risque ?
Décrire la tâche, les données minimales, la qualité attendue, le niveau d’explicabilité, la latence, le coût, la région, la conservation et le plan de test. Le modèle le plus puissant n’est pas toujours le meilleur système.
Les capacités et conditions des modèles changent vite ; une évaluation interne datée est nécessaire.
Quatre questions avant d’agir
La technologie vient après le périmètre, la preuve et la responsabilité.
| Jeu d’essai | Représente-t-il les cas difficiles et exceptions ? |
|---|---|
| Données | Peut-on anonymiser ou utiliser une recherche contrôlée ? |
| Critère | Quel seuil métier rend la sortie acceptable ? |
| Routage | Quand utiliser une règle, un petit modèle ou un modèle avancé ? |
Exemple : choisir pour une extraction documentaire
Le besoin est d’extraire six champs de factures variées. Le test compare les mêmes documents, les mêmes règles de validation et le même format de sortie sur plusieurs architectures. La décision tient compte des erreurs critiques, du coût par document, de la latence et du traitement des données — pas d’un classement général de modèles.
Une progression vérifiable
Ce qui fragilise la décision
- Benchmark sans données métier
- Fuite entre test et évaluation
- Changer de modèle sans revalidation