Dérive de modèle (model drift)
La dérive de modèle (ou « model drift » en anglais) est un phénomène où la performance d’un modèle d’IA se dégrade avec le temps, nécessitant des ajustements ou une mise à jour.
Données d’entrainement
Ensemble de données (data set, en anglais) utilisé pour apprendre et ajuster les paramètres du modèle durant la phase d’entraînement ou d’apprentissage. Le système s’entraîne sur ces données pour...DPD (délégué à la protection des données) 🟩 Métier
Le délégué à la protection des données (DPD), également connu sous le terme anglais de Data Protection Officer (DPO), est un expert de la protection des données personnelles désigné par une organisation (publique ou privée) pour veiller au respect des réglementations en vigueur, notamment le RGPD en Europe.
Il agit comme un point de contact central pour toutes les questions relatives à la protection des données, à la fois en interne au sein de l’organisation et en externe auprès des autorités de contrôle (comme la CNIL en France) et des personnes concernées (les individus dont les données sont traitées).
DPO (Data Protection Officer) 🟩 Métier
Le délégué à la protection des données (DPD), également connu sous le terme anglais de Data Protection Officer (DPO), est un expert de la protection des données personnelles désigné par une organisation (publique ou privée) pour veiller au respect des réglementations en vigueur, notamment le RGPD en Europe.
Il agit comme un point de contact central pour toutes les questions relatives à la protection des données, à la fois en interne au sein de l’organisation et en externe auprès des autorités de contrôle (comme la CNIL en France) et des personnes concernées (les individus dont les données sont traitées).
En résumé, le DPD/DPO est le garant de la conformité d’une organisation en matière de protection des données personnelles.
Empoisonnement des données (Data Poisoning) 🔴 Attaque
L’empoisonnement des données (Data Poisoning) est une cyberattaque visant à corrompre intentionnellement les données d’entraînement d’un modèle d’intelligence artificielle ou de machine learning afin de manipuler ses prédictions ou décisions.
Cette technique consiste à insérer des données malveillantes ou trompeuses dans le jeu de données utilisé pour l’apprentissage, compromettant ainsi l’intégrité et la fiabilité du modèle.