Données d'entraînement de l'IA
Les données d'entraînement de l'IA sont l'ensemble des exemples dont un modèle apprend, comme du texte web, du code, des images, des transcriptions ou des paires annotées. Leur volume, leur qualité, leur composition et leurs licences déterminent ce que le modèle sait faire et là où il échoue.
Aussi appelé : training set, dataset
Par Divya Sharma · Vérifié le 16 nov. 2026 · Notre méthode
Tout modèle reflète ses données. Un grand modèle de langage est pré-entraîné sur un très grand corpus de texte et de code, puis ajusté par fine-tuning sur des ensembles bien plus petits d'instructions, de démonstrations et de paires de préférences. Un modèle d'images apprend à partir d'images associées à des légendes. Les lacunes ou les biais des données se retrouvent comme lacunes ou biais du modèle, et tout ce qui ne figure pas dans les données avant la date limite des connaissances lui est inconnu.
Types de données d'entraînement
Les données de pré-entraînement sont surtout collectées à grande échelle, par exemple par exploration du web, puis filtrées, dédoublonnées et mélangées. Les données de fine-tuning sont plus réduites et sélectionnées, souvent rédigées ou classées par des personnes. Les données synthétiques générées par d'autres modèles sont désormais courantes dans les deux cas. Les jeux d'évaluation, comme un golden dataset, doivent rester séparés des données d'entraînement, sinon les scores perdent tout sens à cause de la contamination des benchmarks.
Documentation et droits
L'article « Datasheets for Datasets » de Gebru et al. propose que chaque jeu de données soit accompagné d'une fiche décrivant sa motivation, sa composition, son processus de collecte et ses usages recommandés. Une model card résume souvent les données sur lesquelles un modèle a été entraîné. Le droit d'auteur, le consentement, les licences et les données personnelles sont des questions juridiques ouvertes dans de nombreux pays ; des règles comme l'AI Act européen ajoutent des obligations de documentation. Cette page ne constitue pas un conseil juridique.
Pour ceux qui construisent
Si vous faites du fine-tuning, quelques milliers d'exemples propres et représentatifs valent en général mieux qu'un grand ensemble bruité. Notre répertoire des données d'entraînement IA recense des sources de jeux de données et des fournisseurs.
Termes liés
- Données synthétiques
- Les données synthétiques (synthetic data) sont des données d'entraînement ou de test générées par un logiciel, souvent par un autre modèle d'IA, plutôt que collectées à partir de sources réelles. Elles servent à combler des lacunes, à ajouter des exemples à moindre coût ou à éviter d'exposer de vraies données personnelles.
- Préentraînement
- Le préentraînement (pretraining) est la première et la plus importante étape de l'entraînement d'un modèle, au cours de laquelle il apprend des schémas généraux à partir d'un très grand jeu de données non étiquetées, généralement en prédisant le token suivant, avant tout ajustement propre à une tâche.
- Fine-tuning
- Le fine-tuning (ajustement fin) est la poursuite de l'entraînement d'un modèle pré-entraîné sur un jeu de données plus petit et propre à une tâche, pour que le modèle adopte une compétence, un format, un ton ou un domaine particuliers sans être entraîné de zéro.
- Exploration du web pour l'IA
- L'exploration du web pour l'IA (web crawling) est la récupération automatisée de pages web, en suivant des liens ou une liste d'URL, pour collecter du texte afin d'entraîner des modèles, de construire des index de recherche ou de fournir à une application du contenu frais à récupérer.
- Model card
- Une model card (fiche de modèle) est un court document publié avec un modèle de machine learning qui explique à quoi il sert, comment il a été entraîné et évalué, où ses performances sont faibles, et comment il doit ou ne doit pas être utilisé.
- Golden dataset
- Un golden dataset (jeu de données de référence) est un ensemble fixe et soigneusement vérifié d'exemples d'entrées associés aux réponses ou au comportement attendus, utilisé comme référence pour évaluer un système d'IA ou en tester les régressions.