À l’heure où la course à l’IA repose largement sur l’accumulation de données, ThinkForBL défend une approche différente : mieux vaut des données pertinentes et représentatives qu’un volume massif de données redondantes ou biaisées.

Pour entraîner leurs modèles d’IA, les entreprises cherchent généralement à disposer du plus grand volume de données possible. Mais cette logique du « toujours plus » se heurte au fait que toutes les données ne se valent pas.

C’est le message porté par ThinkForBL lors de l’AI Festa 2026. L’entreprise spécialisée dans l’évaluation de la fiabilité des systèmes d’IA a présenté une démonstration comparant des modèles entraînés sur des volumes de données différents, dont un jeu de 50 000 images et un autre de 2 000.

L’objectif n’est pas de démontrer qu’un petit jeu de données serait systématiquement préférable à un grand, mais de montrer que la quantité ne suffit pas à elle seule. Des doublons, des données surreprésentées ou des exemples qui ne correspondent pas aux conditions réelles d’utilisation peuvent influencer les résultats du modèle.

Le problème se déplace donc du modèle vers le jeu de données lui-même.

• Confidentialité : voici un classement des meilleures et des pires IA, et Vibe (Mistral AI) ne s'en sort pas si mal

Le biais peut venir de la composition des données

ThinkForBL parle notamment de « biais contextuel ». Le terme désigne une situation dans laquelle les données sont individuellement correctes, mais où leur répartition ne correspond pas suffisamment à l’environnement dans lequel l’IA sera utilisée.

Un modèle peut ainsi obtenir de bons résultats lors de ses tests tout en se comportant différemment lorsqu’il rencontre une situation moins représentée dans ses données d'entraînement.

Pour identifier ces problèmes, l'entreprise a développé Reeinn, une solution qui analyse les données utilisées pour entraîner les systèmes d’IA. Elle cherche notamment à détecter les redondances et les déséquilibres susceptibles d'affecter leur comportement.

Cette approche illustre une évolution plus large du marché de l’IA : évaluer un modèle uniquement sur son taux de réussite ne suffit plus. Sa robustesse face à des données différentes de celles rencontrées pendant l'entraînement devient elle aussi un critère important.

• Ce que préparent Numalis et son partenaire coréen pour empêcher l'IA de dérailler face à l'imprévu

Passage de l'IA performante à l'IA fiable

L’enjeu devient particulièrement important lorsque l’IA est déployée dans des environnements où une erreur peut avoir des conséquences importantes, comme les services publics, la sécurité ou la défense. Une question se pose alors : comment s’assurer qu’un système reste fiable lorsqu’il sort des conditions contrôlées de son développement ?

Cette problématique pourrait faire évoluer la manière dont les projets d’IA sont évalués. Il ne s’agit plus seulement de comparer les modèles sur la base de leurs performances à des benchmarks, mais aussi d’examiner les données qui ont servi à leur entraînement, les situations dans lesquelles ils ont été testés et leur capacité à conserver des résultats cohérents lorsque leur environnement évolue.

Dans cette perspective, le recours à des standards internationaux de fiabilité pourrait également prendre davantage d’importance. Ils permettraient de disposer de critères communs pour évaluer les systèmes d’IA, au-delà des méthodes ou des référentiels propres à chaque fournisseur.