Données synthétiques et IA : trois questions pour en mesurer les promesses et limites

Les données sont le carburant de l’intelligence artificielle, mais elles sont souvent rares, coûteuses à collecter ou trop sensibles pour circuler librement. Les données synthétiques promettent de desserrer cette contrainte : au lieu d’utiliser directement des dossiers clients, des transactions ou des images réelles, une organisation peut produire des exemples artificiels ayant des caractéristiques comparables. L’idée est séduisante, particulièrement lorsqu’il faut concilier innovation, confidentialité et rapidité de développement.

Cette promesse ne doit pourtant pas être confondue avec une garantie automatique. Une donnée synthétique peut être très utile pour tester un logiciel, augmenter un jeu d’entraînement ou simuler des situations peu fréquentes. Elle peut aussi reproduire les défauts des données qui ont servi à la créer, manquer des cas importants ou, dans certaines circonstances, conserver une proximité excessive avec des informations d’origine. Avant de l’intégrer à un projet d’IA, trois questions doivent donc guider la décision : est-elle fiable, est-elle réellement protectrice et comment encadrer ses risques ?

Que sont exactement les données synthétiques ?

Les données synthétiques sont des informations créées par des algorithmes afin d’imiter certaines propriétés de données observées dans le monde réel. Elles ne sont pas censées être une collection de copies d’enregistrements existants. Le but est plutôt de reproduire des régularités : la distribution des âges dans une population, les montants habituels de transactions, la fréquence d’un incident, l’apparence générale d’un objet sur une image ou les structures d’une phrase.

Pour les produire, un modèle génératif analyse habituellement tout ou partie d’un jeu de données de référence. Il apprend les relations et les motifs qui s’y trouvent, puis génère de nouveaux exemples. Selon le besoin, ces exemples peuvent prendre des formes très différentes : lignes d’un tableau, documents textuels, enregistrements sonores, images ou données issues de capteurs. Une banque peut ainsi simuler des opérations pour évaluer un outil de lutte contre la fraude, tandis qu’une équipe logicielle peut créer des profils fictifs afin de vérifier le bon fonctionnement d’une application.

La qualité attendue varie selon l’usage. Pour un test technique, il peut suffire que les formats, les volumes et les cas limites soient réalistes. Pour entraîner un modèle chargé de prendre des décisions importantes, la fidélité aux phénomènes que l’on veut détecter devient bien plus exigeante.

Première question : les données synthétiques sont-elles fiables ?

La première difficulté est simple à formuler : si les données ont été fabriquées, peut-on faire confiance aux résultats obtenus avec elles ? La réponse dépend de leur capacité à préserver ce qui compte pour l’usage envisagé. Un jeu synthétique peut ressembler globalement au jeu réel, tout en échouant à restituer un détail crucial, par exemple un type rare de fraude ou une combinaison de symptômes peu fréquente.

Il faut donc distinguer deux notions. La première est la fidélité statistique : les proportions, relations et tendances présentes dans les données générées sont-elles proches de celles des données de référence ? La seconde est l’utilité opérationnelle : un modèle entraîné avec ces données fonctionne-t-il correctement lorsqu’il est confronté à des données réelles, dans les conditions prévues ? La première ne garantit pas toujours la seconde.

Une organisation ne devrait pas se contenter de regarder si quelques graphiques se ressemblent. Elle doit comparer les distributions importantes, vérifier les corrélations utiles, tester les cas extrêmes et mesurer les performances finales sur un jeu réel séparé, lorsque cela est possible et légalement justifié. Cette dernière étape est essentielle : elle permet d’éviter de conclure qu’un modèle est performant uniquement parce qu’il réussit sur un univers artificiel conçu à partir des mêmes règles.

La fiabilité dépend aussi de la qualité de la base initiale. Si l’échantillon réel est trop petit, incomplet ou obsolète, le générateur disposera de peu de matière pour apprendre. Il risque alors d’amplifier des coïncidences, de lisser les situations rares ou d’inventer des associations qui n’existent pas dans la pratique.

Comment vérifier la qualité avant l’entraînement ?

Un protocole de validation doit être défini avant de générer les données, et non après avoir obtenu un résultat satisfaisant. Il doit préciser les caractéristiques à préserver, les groupes ou cas rares à examiner, les mesures de comparaison et le seuil à partir duquel les données seront jugées insuffisantes.

Deuxième question : les données synthétiques protègent-elles vraiment la vie privée ?

L’intérêt le plus souvent mis en avant est la confidentialité. En évitant de distribuer directement des données identifiantes, une entreprise peut donner à ses équipes de développement ou à ses prestataires un matériau de travail moins sensible. C’est un avantage notable dans les secteurs qui manipulent des informations clients, financières ou personnelles.

Mais « synthétique » ne signifie pas automatiquement « anonyme ». Un générateur entraîné sur des données réelles peut, s’il est mal conçu ou insuffisamment contrôlé, mémoriser des éléments trop proches de ses exemples d’entraînement. Le risque dépend notamment de la taille du jeu initial, de la rareté de certains profils, de la méthode utilisée et de la manière dont les données produites sont ensuite partagées.

Le problème est particulièrement sensible pour les personnes aux caractéristiques rares. Même sans nom ni adresse, une combinaison inhabituelle d’attributs peut augmenter le risque qu’un individu soit reconnu ou qu’une information à son sujet soit déduite. Retirer les identifiants directs ne suffit donc pas toujours. Il faut évaluer ce que les données révèlent par recoupement et vérifier qu’elles ne reproduisent pas de lignes trop semblables aux enregistrements sources.

Une question éthique autant que juridique

L’enjeu ne porte pas seulement sur la confidentialité. Les données synthétiques peuvent aussi prolonger les biais présents dans les données de départ. Si certains publics y sont sous-représentés, ou si des décisions passées reflètent des discriminations, le générateur peut restituer ces déséquilibres à grande échelle. Produire davantage de données ne corrige pas, à lui seul, un manque de diversité ou une injustice historique.

Les équipes doivent donc examiner la représentativité du jeu de référence et les effets des données générées sur les différents groupes concernés. Dans certains cas, ajouter volontairement des exemples synthétiques peut aider à mieux couvrir une situation rare. Mais cette opération exige une expertise métier : suréchantillonner un cas mal compris peut créer une illusion de précision plutôt qu’une amélioration réelle.

Le cadre réglementaire reste également déterminant. Lorsque des données personnelles réelles ont servi à entraîner un générateur, l’organisation doit s’interroger sur la base juridique du traitement, la minimisation des données, la sécurité, la documentation des opérations et les droits des personnes. Les pratiques de collecte sur le web, y compris le web scraping, ne dispensent pas de ces obligations.

Troisième question : comment réduire les risques dans un projet concret ?

Le bon réflexe consiste à traiter les données synthétiques comme un composant à gouverner, et non comme une solution magique. Cela commence par une règle simple : ne générer que ce qui est nécessaire. Plus le jeu de référence est large, riche et sensible, plus les exigences de protection et de contrôle doivent être élevées.

Un projet robuste repose aussi sur une séparation claire des rôles. Les personnes qui possèdent ou administrent les données réelles ne sont pas nécessairement celles qui valident l’utilité du jeu synthétique. Les experts métier doivent pouvoir examiner les cas produits, tandis que les spécialistes de la protection des données et de la sécurité évaluent les risques de divulgation. Cette diversité de regards est utile car une erreur peut être statistiquement discrète, mais très importante dans le contexte métier.

La traçabilité est tout aussi importante. Une organisation devrait être capable d’expliquer quelles données ont été utilisées comme référence, quelle méthode de génération a été retenue, quelles transformations ont été appliquées, quels tests ont été menés et quelles limites sont connues. Cette documentation facilite les audits, les mises à jour et l’identification d’un problème si le modèle final produit des résultats dégradés.

Enfin, les données synthétiques ne doivent pas être évaluées une seule fois. Les comportements changent, les fraudes évoluent, les produits se transforment et les jeux de données vieillissent. Un modèle performant lors de son déploiement peut perdre en pertinence si le monde réel s’éloigne progressivement du scénario simulé. Le suivi des performances et la révision périodique des jeux d’entraînement sont donc indispensables.

Dans quels cas sont-elles les plus utiles ?

Les données synthétiques sont particulièrement pertinentes lorsqu’il est difficile d’obtenir suffisamment d’exemples réels ou lorsqu’une diffusion interne des données brutes créerait un risque inutile. Les tests logiciels constituent un cas d’usage évident : une équipe peut créer rapidement des profils, des commandes, des incidents ou des volumes de trafic fictifs pour vérifier que son application résiste à des situations variées.

Elles peuvent aussi compléter un ensemble réel dans des domaines où les événements importants sont rares. La détection de fraude illustre ce besoin : une très grande majorité des transactions est légitime, alors que les tentatives frauduleuses sont minoritaires et évoluent. Générer des cas supplémentaires peut aider un modèle à apprendre certains schémas, à condition que ces cas restent plausibles et soient confrontés à la réalité.

Leur usage est en revanche plus délicat lorsque l’objectif est de comprendre précisément une population, de produire des statistiques officielles ou d’appuyer des décisions à forts enjeux pour des personnes. Dans ces situations, les données générées peuvent être un complément de travail, mais elles ne devraient pas masquer l’incertitude ni remplacer sans examen des observations réelles.

Ce qu’il faut surveiller avant d’adopter cette approche

La montée en puissance des modèles génératifs rend les données synthétiques plus accessibles, qu’il s’agisse de texte, d’images, d’audio ou de tableaux. Cette facilité peut encourager des équipes à en utiliser avant même d’avoir défini des critères de qualité. Or la question décisive n’est pas de savoir si l’on peut produire des millions d’exemples, mais si ces exemples améliorent effectivement le système sans créer de nouveaux risques.

Pour les entreprises comme pour les administrations, le point de départ doit rester l’usage réel. Quel problème cherche-t-on à résoudre ? Quelles variables ne doivent surtout pas être déformées ? Quels publics pourraient être affectés par une erreur ou un biais ? Quelle part des performances peut être confirmée sur des données réelles et contrôlées ?

Les données synthétiques offrent une voie prometteuse pour accélérer certains projets d’IA et réduire la circulation d’informations sensibles. Leur adoption responsable suppose toutefois de conserver trois exigences : valider leur fiabilité, tester concrètement leur niveau de protection et maintenir une gouvernance documentée dans le temps. Elles sont un outil puissant, pas un raccourci pour s’affranchir de la qualité des données et de la responsabilité humaine.