Préparer ses données pour l’IA générative : inventaire, qualité, droits et traçabilité

Un modèle peut résumer, extraire ou répondre seulement à partir des informations qu’il reçoit. Dans les entreprises, ces informations sont réparties entre dossiers partagés, applications métier, bases, emails, intranets et documents PDF. Elles possèdent des versions, des droits et des propriétaires différents. Le projet IA révèle alors des problèmes de données qui existaient déjà.

La préparation ne consiste pas à nettoyer toute l’entreprise avant de commencer. Elle consiste à construire, pour un cas d’usage défini, une chaîne de données connue, autorisée, mesurable et maintenable.

Partir du cas d’usage

Un assistant documentaire, un extracteur de factures et un agent qui modifie des commandes n’ont pas les mêmes besoins. Il faut préciser :

• tâche ;
• utilisateurs ;
• sources nécessaires ;
• fraîcheur ;
• qualité minimale ;
• données interdites ;
• décision ou action ;
• preuve attendue.

Cette précision limite l’inventaire et évite une plateforme de données abstraite sans résultat.

Construire un inventaire exploitable

Pour chaque source, collecter :

• nom et système ;
• propriétaire métier ;
• responsable technique ;
• type et volume ;
• format ;
• fréquence de mise à jour ;
• niveau de sensibilité ;
• population autorisée ;
• qualité connue ;
• mode d’accès ;
• règle de conservation ;
• statut de référence.

L’inventaire doit être maintenu. Une feuille figée au début du projet ne garantit pas que la source utilisée six mois plus tard reste légitime.

Les dix dimensions de la préparation

1. Inventaire

Les sources nécessaires sont identifiées et leur périmètre compris.

2. Propriété

Une personne ou fonction peut valider le sens, la qualité, l’accès et la durée de vie.

3. Accès

L’extraction est authentifiée, documentée et soutenable. Elle ne repose pas sur une copie manuelle ou un compte personnel.

4. Qualité

Les champs essentiels sont complets, cohérents et représentatifs. Les défauts sont mesurés par rapport à la tâche.

5. Structure

Titres, sections, tableaux, relations et identifiants peuvent être préservés ou reconstruits.

6. Métadonnées

Langue, date, version, statut, type, auteur, entité et droits accompagnent le contenu.

7. Version et fraîcheur

Le système sait quelle version est en vigueur, quand elle a changé et quand l’IA doit être mise à jour.

8. Droits et confidentialité

Les autorisations peuvent être reproduites dans la chaîne IA et révoquées.

9. Traçabilité

Une sortie peut être reliée à la source, à sa transformation et à la version des composants.

10. Cycle de vie

La correction, l’archivage et la suppression se propagent jusqu’aux index, caches et journaux.

Qualité relative à la tâche

Une donnée n’est pas « bonne » dans l’absolu. Pour retrouver une procédure, le titre, la date et le statut sont essentiels. Pour extraire un montant, la qualité du scan, la devise et la structure du tableau dominent.

Les dimensions peuvent inclure complétude, exactitude, cohérence, unicité, fraîcheur et représentativité. Chaque défaut est relié à son impact sur le cas d’usage.

Un échantillon annoté permet de mesurer avant de traiter tout le corpus.

Distinguer référence, copie et brouillon

Plusieurs versions d’un document peuvent circuler. Le pipeline doit savoir laquelle fait foi, quelles copies sont archivées et si un brouillon peut être utilisé. La date seule ne suffit pas : un document récent peut ne pas être approuvé.

Les règles de priorité sont codées et vérifiables. En cas de conflit, le système signale plutôt que de choisir silencieusement.

Préserver la structure

Convertir un PDF en texte plat peut mélanger colonnes, notes et en-têtes. Les tableaux perdent leurs relations et les titres leur hiérarchie. L’extraction doit produire un format structuré avec une qualité mesurée.

Pour les documents complexes, conserver :

• page et coordonnées ;
• titres et niveaux ;
• cellules et en-têtes ;
• listes ;
• légendes ;
• liens ;
• identifiant du fichier.

Cette structure améliore recherche, citations et contrôle humain.

Métadonnées et contexte

Les métadonnées permettent de filtrer et d’expliquer : entité, produit, pays, langue, date, version, statut, catégorie et droits. Elles doivent venir d’une source fiable ou d’une extraction dont le niveau de confiance est conservé.

Une classification générée par modèle n’a pas le même statut qu’un champ validé par le métier. La provenance de l’enrichissement est enregistrée.

Reproduire les droits

Copier des documents dans un index unique sans permissions crée une fuite potentielle. Le modèle d’autorisation doit être compris : utilisateur, groupe, société, dossier, site, rôle ou attribut.

Les droits peuvent être matérialisés dans les métadonnées d’index, des partitions ou une vérification à la requête. Les changements et suppressions se propagent dans un délai défini.

Les comptes techniques ont le minimum d’accès et les extractions sont journalisées.

Minimiser les données

Un projet ne doit pas ingérer tout un dossier « au cas où ». Sélectionner les champs et documents nécessaires réduit risque, coût et bruit. Les données personnelles ou secrets peuvent être masqués, pseudonymisés ou exclus.

La minimisation concerne aussi les prompts, logs, feedbacks et jeux d’évaluation. Les environnements de développement utilisent des données synthétiques ou protégées.

Traçabilité de bout en bout

Chaque fragment ou enregistrement doit pouvoir être relié à :

• source et version ;
• date d’extraction ;
• transformation ;
• outil et version ;
• règles d’enrichissement ;
• index ;
• sorties qui l’ont cité lorsque cela est nécessaire.

Cette chaîne permet d’enquêter sur une erreur et de reconstruire après une mise à jour.

Gérer les suppressions

Supprimer dans la source ne suffit pas. Il faut supprimer ou invalider les copies, index vectoriels, caches, fichiers temporaires et sauvegardes selon la politique. Les sorties historiques et journaux suivent une règle distincte définie avec les responsables.

Le pipeline de suppression est testé comme celui d’ingestion. Un identifiant stable facilite la propagation.

Mesurer la fraîcheur

Le besoin varie : une politique peut tolérer un jour, un stock quelques minutes. La fraîcheur est suivie par source et visible pour l’utilisateur lorsque cela influence la réponse.

Les événements ou extractions périodiques doivent gérer les échecs. Une alerte signale un retard plutôt que de continuer silencieusement avec des données anciennes.

Préparer un jeu de référence

Avant l’IA, sélectionner des exemples représentatifs et documenter le résultat attendu. Pour l’extraction : champs et valeurs. Pour le RAG : questions et sources. Pour l’agent : états et actions autorisées.

Ce jeu sert à comparer pipelines, modèles et corrections. Il inclut des cas difficiles, incomplets et interdits.

Industrialiser l’ingestion

Le pipeline est :

• idempotent ;
• versionné ;
• observable ;
• reprenable ;
• testé ;
• sécurisé ;
• capable de traiter les erreurs isolément.

Les changements de format ou de source déclenchent une alerte. Un tableau de bord montre volume, erreurs, retard, doublons et couverture.

Gouvernance légère mais réelle

Une gouvernance utile ne demande pas un comité pour chaque fichier. Elle définit des propriétaires, des classes, des contrôles et une procédure d’exception. Les décisions importantes sont traçables.

Le catalogue de données peut commencer sur le périmètre du projet et s’étendre avec les usages. Il doit rester connecté aux systèmes, pas devenir une documentation parallèle obsolète.

Construire un backlog de préparation

Les actions se répartissent souvent en trois horizons :

30 jours

Inventaire, accès, échantillon, classification et premiers tests.

90 jours

Pipeline reproductible, métadonnées, droits, qualité mesurée et suppression.

Fondations

Référentiels, gouvernance, automatisation, observabilité et partage entre cas d’usage.

Le pilote peut commencer lorsque les risques sont maîtrisés sur un corpus limité, sans attendre la perfection globale.

Les données comme produit de confiance

Une IA fiable dépend de données dont le sens, le propriétaire, les droits et la version sont connus. Cette préparation bénéficie aussi à la recherche, à l’analytics et aux intégrations classiques.

Partitech peut auditer les sources, concevoir les pipelines, structurer les métadonnées et intégrer les droits jusqu’au RAG ou à l’agent. L’objectif est une chaîne traçable et maintenable, pas une copie massive de documents dans un nouvel index.

Parlons de votre projet

Évaluer la préparation de vos données pour un projet IA avec Partitech. Contactez Partitech.