Données synthétiques : pourquoi l’IA change l’entraînement des modèles

L’intelligence artificielle ne progresse pas uniquement grâce à des modèles plus puissants. Elle dépend aussi, et souvent d’abord, des données qui servent à les entraîner. Or ces données peuvent être rares, incomplètes, chères à annoter ou difficiles à utiliser pour des raisons de confidentialité et de conformité. C’est là qu’intervient l’IA synthétique : elle produit de nouveaux exemples artificiels, mais plausibles, à partir d’un échantillon de départ et de règles définies.

Au 14 janvier 2025, cette approche s’impose comme une piste importante pour les entreprises et les laboratoires qui cherchent à développer des modèles plus rapidement. Elle concerne autant le machine learning classique, fondé sur des données structurées, que le deep learning et l’IA générative, capables de manipuler images, textes, sons ou vidéos. Son intérêt est réel, mais il ne faut pas confondre abondance de données et qualité des données.

L’IA synthétique, de quoi parle-t-on exactement ?

Dans cet article, l’expression « IA synthétique » désigne principalement l’usage de l’intelligence artificielle pour générer des données synthétiques destinées à l’entraînement, aux tests ou à l’évaluation d’autres systèmes. Il peut s’agir d’images de produits, de conversations, de tableaux de données, de voix, d’enregistrements audio retranscrits ou encore de séquences vidéo.

Ces contenus ne sont pas de simples copies des données d’origine. L’objectif est de reproduire des caractéristiques utiles d’un ensemble existant tout en créant de nouveaux cas. À partir de quelques exemples de véhicules, par exemple, un système peut produire de nombreuses images illustrant différents angles, contextes ou configurations. Dans le cas de données tabulaires, il peut générer des lignes supplémentaires dont les relations statistiques s’approchent de celles observées dans le jeu initial.

Cette capacité répond à un problème récurrent de l’IA : les données disponibles ne correspondent pas toujours au besoin précis du projet. Certaines situations rares sont peu documentées. D’autres données restent enfermées dans les systèmes d’information des organisations, ou ne peuvent pas être librement partagées. Enfin, l’annotation manuelle d’images, de textes ou de sons exige du temps, des compétences et des moyens.

Stéphane Roder, PDG d’AI Builders, met en avant cette possibilité de créer à la demande de nouveaux jeux de données, une technique également évoquée par le laboratoire d’IA de l’université Stanford en 2023. Des modèles de fondation peuvent partir d’un échantillon limité pour élargir virtuellement le volume de données disponible, puis contribuer à entraîner d’autres modèles qui auraient été difficiles à développer autrement.

Pourquoi les données sont-elles si décisives en machine learning ?

Le machine learning consiste à faire apprendre à un modèle des régularités à partir d’exemples. Plus le problème est complexe, plus il faut disposer d’exemples pertinents et diversifiés. Le principe associé aux travaux de Vladimir Vapnik rappelle justement qu’il existe un lien étroit entre la complexité d’un modèle, la quantité d’informations disponibles et sa capacité à produire des résultats fiables sur des cas nouveaux.

Un modèle entraîné sur trop peu de données risque d’apprendre des particularités accidentelles plutôt que des règles générales. Il peut alors sembler performant pendant les essais, mais échouer face à des situations légèrement différentes. La génération synthétique cherche à réduire cette fragilité en ajoutant des exemples là où le jeu de données est insuffisant.

Didier Gaultier, responsable de l’IA chez Orange Business Digital Services, souligne toutefois deux difficultés qui ne disparaissent pas avec la génération automatique : obtenir des données de bonne qualité et s’assurer qu’elles peuvent être utilisées légalement. Une entreprise ne résout pas un problème de données en créant simplement un plus grand volume de données. Elle doit savoir ce que ces données représentent, d’où elles viennent et pour quel usage elles sont autorisées.

Le deep learning a besoin de milliers d’exemples

Le rôle des données synthétiques est particulièrement visible dans le deep learning. Les réseaux neuronaux avancés, très utilisés en vision par ordinateur et dans l’IA générative, apprennent généralement à partir de volumes très importants. Pour reconnaître un objet, une espèce ou une catégorie, ils doivent être confrontés à de multiples variations : cadrage, distance, luminosité, environnement, forme ou qualité de l’image.

Orange a illustré cette logique dans des projets de reconnaissance de différentes espèces marines. Un générateur d’images a permis de produire des milliers de représentations de poissons, afin d’améliorer l’entraînement du modèle. Dans une telle démarche, l’IA ne remplace pas nécessairement les images réelles : elle les complète, notamment lorsque certaines espèces, positions ou conditions d’observation sont peu présentes dans les données initiales.

La même méthode peut s’appliquer à la reconnaissance de véhicules, d’objets industriels ou de défauts sur une chaîne de production. L’enjeu est de créer suffisamment de diversité pour que le modèle ne se contente pas de mémoriser un petit catalogue d’images.

Stéphane Roder résume cette possibilité ainsi :

« On pourra partir de quelques voitures de différentes marques avec leurs spécifications, puis générer un data set de plusieurs milliers d’images. »

Cette approche allège en partie ce que les professionnels décrivent comme la lourdeur de l’étiquetage manuel. Annoter une image consiste à préciser ce qu’elle contient, par exemple la marque d’une voiture, la présence d’un poisson ou l’emplacement d’un objet. Or cette étape est indispensable dans de nombreux projets supervisés et peut devenir très coûteuse à grande échelle.

Pour autant, Stéphane Roder rappelle une limite essentielle : la qualité des données générées ne saurait égaler automatiquement celle de données étiquetées manuellement. Un ensemble synthétique est utile s’il est évalué contre des données réelles pertinentes. Sans cette étape, un modèle risque d’apprendre les défauts du générateur plutôt que les caractéristiques du monde réel.

Des tableaux aux sons, les usages se multiplient

Les images ne sont qu’un des terrains d’application. Les données synthétiques peuvent aussi prendre une forme tabulaire, c’est-à-dire des colonnes et des lignes comparables à celles d’un tableur ou d’une base de données. Ces données servent, par exemple, à analyser des comportements, établir des prévisions ou tester des outils analytiques.

C’est aussi un domaine sensible. Dans un tableau, les biais ne sont pas toujours visibles à l’œil nu. Ils peuvent se loger dans une corrélation entre plusieurs variables, dans la sous-représentation d’une catégorie ou dans une manière de mesurer un phénomène. Si le générateur reproduit ces déséquilibres, il peut les perpétuer, voire les renforcer dans les données qu’il crée.

La participation de data scientists et de statisticiens est donc indispensable. Leur rôle ne se limite pas à lancer un outil de génération. Ils doivent analyser la distribution des données, identifier les incohérences, comparer les données synthétiques aux données de référence et vérifier que les résultats obtenus restent valables pour le cas d’usage.

Le son et la vidéo sont également concernés. Des modèles multimodaux peuvent convertir une voix en texte, et du texte en voix. Ils facilitent ainsi la constitution de jeux de données textuels à partir d’enregistrements audio, ou l’enrichissement d’un corpus vocal à partir de transcriptions. Didier Gaultier observe que des données publiées sur YouTube ont probablement contribué à entraîner certains modèles, illustrant l’ampleur des ressources désormais mobilisées dans l’écosystème de l’IA.

Pour les organisations, l’enjeu est aussi interne. Beaucoup disposent de données sous-exploitées : documents, images, appels, relevés techniques ou historiques de fonctionnement. L’IA synthétique peut aider à les valoriser, à condition que les droits d’usage, la confidentialité et la qualité de ces ressources aient été établis avant toute réutilisation.

Innovation industrielle et questions de responsabilité

L’essor de l’IA synthétique s’inscrit dans un mouvement plus large de transformation des entreprises. La société singapourienne Firmus a notamment été récompensée pour son innovation dans la conception de centres de données alimentés par l’IA. Cet exemple montre que l’IA intervient désormais aussi dans l’infrastructure qui la rend possible, au-delà des seuls logiciels visibles par les utilisateurs.

Mais la capacité à générer davantage de données et de contenus soulève plusieurs questions. La première concerne l’environnement. L’IA générative et les infrastructures de calcul nécessaires à son entraînement et à son usage ont une empreinte matérielle et énergétique qui mérite d’être évaluée. Produire des jeux de données synthétiques n’est pas un geste immatériel : cela mobilise des serveurs, des centres de données et de l’électricité.

La deuxième question est celle des usages. L’intégration de ces technologies dans des systèmes militaires, tout comme leur emploi dans des domaines réglementés, appelle une réflexion spécifique sur le contrôle humain, la fiabilité des systèmes et les responsabilités en cas d’erreur. La troisième est juridique : une donnée issue d’un modèle doit être compatible avec les règles qui encadrent le jeu de données d’origine et son usage final.

Ce qu’il faut surveiller avant d’adopter l’IA synthétique

La principale promesse de l’IA synthétique est de desserrer la contrainte des données. Elle peut raccourcir le délai de création d’un prototype, faciliter la simulation de situations rares et aider les équipes à tester plus tôt leurs modèles. Elle peut aussi compléter les données réelles sans imposer une collecte continue d’exemples supplémentaires.

Son efficacité se mesurera toutefois moins au nombre de lignes, d’images ou de fichiers audio générés qu’à leur utilité concrète. Plusieurs questions doivent guider les projets : les données créées représentent-elles correctement le phénomène étudié ? Les performances du modèle ont-elles été testées sur des données réelles indépendantes ? Certains profils, contextes ou cas limites sont-ils oubliés ? Les règles juridiques et éthiques applicables ont-elles été respectées ?

L’IA synthétique n’oppose donc pas l’intelligence artificielle traditionnelle à l’IA générative. Elle établit un pont entre les deux. Les modèles génératifs peuvent créer des matériaux d’entraînement, tandis que les systèmes de machine learning et de deep learning les exploitent pour reconnaître, prédire ou classer. Cette complémentarité ouvre des possibilités considérables, à condition de conserver une exigence constante sur la qualité, l’intégrité et la traçabilité des données.