Une idée d'IA peut sembler convaincante tant que personne ne regarde les données qui devront la faire fonctionner. L'audit transforme une promesse abstraite en inventaire vérifiable : quelles sources existent, à qui elles appartiennent, ce qu'elles mesurent et ce qu'elles omettent.
Partir de la décision attendue
L'audit commence par la sortie utile : classer une demande, recommander un contenu, estimer une charge ou détecter une anomalie. Cette décision détermine les variables nécessaires, le niveau de fraîcheur et la tolérance à l'erreur. Sans elle, l'équipe collecte beaucoup et apprend peu.
Pour chaque source, notez le propriétaire, la période couverte, la fréquence de mise à jour, les droits d'usage et la méthode de collecte. Une donnée disponible techniquement n'est pas toujours exploitable légalement ou représentative du contexte futur.
Mesurer la qualité utile
Les valeurs manquantes, doublons, catégories instables, unités incompatibles et dates incohérentes doivent être quantifiés. Le bon indicateur dépend de l'usage. Deux pour cent d'adresses incomplètes peuvent être acceptables pour une tendance générale, mais bloquants pour une livraison.
Analysez aussi la couverture des situations rares et des groupes concernés. Une moyenne correcte peut masquer un segment sans exemples. Les écarts doivent devenir une liste de risques, avec une action, un responsable et une date de vérification.
Décider avant de construire
L'audit doit conclure par une décision : lancer, réduire le périmètre, organiser une collecte ou abandonner l'hypothèse. Un petit jeu de référence annoté permet ensuite de comparer une règle simple, un traitement manuel assisté et un modèle.
Documentez la transformation des données afin qu'elle soit identique en entraînement et en production. Le livrable n'est pas seulement un tableau propre, mais une chaîne reproductible avec contrôles, alertes et propriétaires.
Audit en une semaine
- Nommer la décision et son coût d'erreur
- Cartographier sources, propriétaires et droits
- Mesurer manquants, doublons, dérive et couverture
- Créer un petit jeu de référence vérifié
- Conclure par lancer, réduire, collecter ou arrêter
Un audit de données ne ralentit pas un projet IA. Il évite de découvrir trop tard que le signal, les droits ou la couverture nécessaires n'existent pas.
