Dataset

Qu’est-ce qu’un dataset ?

C’est la matière première du machine learning. Un modèle n’apprend pas de règles mais d’exemples, et le dataset rassemble ces exemples dans un format commun. Il peut s’agir d’un tableau de milliers de ventes, d’un dossier d’enregistrements accompagnés de leur transcription ou de millions de pages de texte.

Pour les grands modèles de langage, le jeu de données d’entraînement est gigantesque et mêle des textes publics issus de nombreuses sources. Dans un projet d’entreprise, il est bien plus réduit et ciblé : vos e-mails classés, vos appels annotés, vos documents.

Comment ça marche

Un dataset destiné à l’IA passe généralement par ces étapes :

1. La collecte. On réunit des exemples du problème réel, avec le droit de les utiliser.
2. Le nettoyage. On retire doublons, erreurs et données personnelles inutiles.
3. L’annotation. En apprentissage supervisé, chaque exemple reçoit sa bonne réponse.
4. Le découpage. On le sépare en trois : entraînement (pour apprendre), validation (pour régler en cours de route) et test (pour mesurer le résultat final sur des exemples jamais vus).

Presque tout dépend de la qualité du dataset. S’il manque un type de cas, le modèle le traitera mal. Si les données reflètent des inégalités passées, le modèle peut les reproduire : c’est la source la plus fréquente de biais en IA. Voir aussi entraînement d’un modèle.

Exemple

Une mutuelle régionale à Rennes veut un modèle qui trie les déclarations de sinistre reçues par e-mail. Elle rassemble deux ans de messages, supprime les données personnelles superflues et fait annoter chaque message par deux personnes : « habitation », « auto » ou « santé ».

À la relecture, surprise : les déclarations santé sont rarissimes, le modèle n’aurait presque rien pour apprendre. Avant d’entraîner, l’équipe complète cette catégorie. Ce rééquilibrage améliore davantage le résultat que n’importe quel réglage du modèle.

Ce que ça change pour votre entreprise

Pour la plupart des PME, la vraie question n’est pas « quel dataset ai-je ? » mais « quelles informations sur mon activité sont écrites et à jour ? ». Un agent qui s’appuie sur un modèle déjà entraîné n’a pas besoin de dataset, mais d’une base de connaissances claire à consulter, comme avec le RAG.

C’est ainsi que fonctionnent les agents UTIO : ils répondent à partir de la documentation que vous chargez, sans données d’entraînement à préparer. Dans le secteur support, ce qui n’y figure pas n’est pas inventé : l’agent prend note et ouvre un ticket dans le CRM. Et pour l’agent vocal, enregistrements, transcriptions et CRM sont conservés en Espagne.