Cartes de Données : Documenter les Données pour une IA Transparente et Responsable

Quel est l’objectif des cartes de données concernant la documentation des ensembles de données et le développement responsable de l’IA ?

Les cartes de données sont des résumés structurés des faits critiques concernant les ensembles de données d’apprentissage automatique, conçus pour favoriser une documentation transparente, ciblée et centrée sur l’humain pour un développement responsable de l’IA, tant dans la recherche que dans l’industrie. Ces résumés couvrent divers aspects du cycle de vie d’un ensemble de données, offrant des explications sur les processus et les justifications qui façonnent les données et, par conséquent, les modèles entraînés sur celles-ci.

Objectifs clés :

• Transparence et explicabilité : Les cartes de données visent à accroître la visibilité des ensembles de données et des modèles, répondant ainsi aux préoccupations réglementaires concernant la transparence dans l’apprentissage automatique.
• Prise de décision éclairée : Elles encouragent des décisions éclairées concernant les données lors de la construction et de l’évaluation de modèles d’apprentissage automatique pour les produits, les politiques et la recherche.
• Atténuation des risques : En communiquant les incertitudes et les limitations connues, les cartes de données aident à atténuer les risques et à promouvoir des modèles plus justes et plus équitables.
• Réduction de l’asymétrie des connaissances : L’approche systématique des cartes de données contribue à réduire les asymétries de connaissances entre les parties prenantes en fournissant un modèle mental et un vocabulaire communs.

Implications pratiques et cadres de travail :

• Cadre OFTEn : Ce cadre d’acquisition de connaissances structuré fournit une approche robuste et reproductible permettant aux producteurs d’ensembles de données de créer une documentation transparente, en se concentrant sur les Origines, les Faits, les Transformations, l’Expérience et les exemples.

. OFTEn peut être visualisé comme l’intersection d’invites clés autour de (qui, quoi, quand, où, pourquoi et comment) et des aspects du cycle de vie de l’ensemble de données pour guider la documentation

• Évolutivité et adoption : Les cartes de données sont conçues pour être adaptables à divers ensembles de données et contextes organisationnels, établissant un terrain d’entente entre les parties prenantes et permettant une contribution diversifiée aux décisions. Les facteurs ayant un impact sur la durabilité à long terme comprennent les asymétries de connaissances, les incitations à la création de documentation, la compatibilité de l’infrastructure et la culture de la communication.
• Engagement des parties prenantes : Les cartes de données doivent prendre en compte différents « agents » ou parties prenantes tels que les chercheurs, les experts en la matière ou les professionnels des politiques, chacun ayant des besoins uniques en matière de transparence.
• Dimensions d’évaluation : Pour garantir la qualité et l’utilité des cartes de données, des dimensions telles que la responsabilité, l’utilité, la qualité, l’impact et le risque sont utilisées pour évaluer la rigueur et l’efficacité de la documentation.

L’adoption de cartes de données peut révéler de futures opportunités d’améliorer les décisions de conception des ensembles de données. À mesure que les organisations étendent leur utilisation des cartes de données, il devient crucial de maintenir la comparabilité et la cohérence entre les différents ensembles de données.

Considérations réglementaires et éthiques :

• La transparence en tant qu’impératif réglementaire : Les cartes de données répondent directement à la pression réglementaire croissante en faveur de la transparence et de l’explicabilité dans l’apprentissage automatique, aidant ainsi les organisations à se conformer aux exigences de conformité.
• Équité et atténuation des biais : En capturant des détails sur les attributs humains sensibles et les biais potentiels, les cartes de données contribuent au développement de systèmes d’IA plus justes et plus équitables.

Comment la méthodologie de développement des fiches de données a-t-elle été établie ?

La méthodologie de développement des fiches de données est issue d’un processus itératif de 24 mois, s’appuyant sur la conception centrée sur l’humain, la conception participative et les méthodes d’interaction homme-machine.

Les principales étapes du processus de développement comprenaient :

• Collaborer avec les équipes de données et d’apprentissage automatique au sein d’une grande entreprise technologique pour créer et affiner les fiches de données. Cela impliquait de travailler avec 12 équipes pour produire 22 fiches de données couvrant diverses modalités de données (image, langage, tableau, vidéo, audio et relationnel).
• Observer les flux de travail de documentation des équipes, la collecte collaborative d’informations, les demandes d’informations des parties prenantes et les processus d’examen.
• Évaluer les projets de fiches de données dans des groupes de discussion externes avec divers participants (UX, recherche HCI, politique, conception de produits, universitaires, droit) afin d’identifier une définition de travail et des valeurs de transparence.
• Consolider les questions récurrentes dans un modèle canonique documentant 31 aspects différents des ensembles de données, avec des questions spécifiques à la modalité sous forme de blocs pouvant être ajoutés.
• Mener une enquête MaxDiff (n = 191) pour comprendre l’importance relative des thèmes documentés et la façon dont ils varient selon la modalité de données et la fonction professionnelle.
• Recruter 30 experts au sein de l’entreprise pour participer à des activités qui ont permis de saisir leurs cas d’utilisation, leurs besoins en information et leurs stratégies d’évaluation des artefacts de transparence.
• Développer une approche structurée d’atelier participatif, mise à l’essai ultérieurement en code source ouvert, pour engager les parties prenantes interfonctionnelles dans la création d’un schéma de métadonnées transparent.

Principaux aperçus ayant façonné le développement des fiches de données :

• Opacité de la documentation : les participants ont perçu que les artefacts de transparence existants étaient souvent trop techniques, denses et présomptueux pour les parties prenantes non techniques.
• Subjectivité de la transparence : la transparence était perçue comme subjective, spécifique à l’auditoire et contextuelle.
• Besoin d’une compréhension commune : les parties prenantes ont besoin d’un modèle mental et d’un vocabulaire communs pour décrire le système efficacement.

Typologie des parties prenantes

L’initiative a permis d’identifier trois groupes de parties prenantes principaux dans le cycle de vie d’un ensemble de données :

• Producteurs : créateurs en amont de l’ensemble de données et de la documentation, responsables de la collecte, de la propriété, du lancement et de la maintenance.
• Agents : parties prenantes qui lisent les rapports de transparence et ont le pouvoir de déterminer comment les ensembles de données sont utilisés (y compris les réviseurs et les experts en la matière non techniques).
• Utilisateurs : personnes qui interagissent avec des produits s’appuyant sur des modèles formés sur l’ensemble de données (nécessitant des explications distinctes, plus intégrées au produit).

Objectifs des fiches de données

Sur la base de l’analyse des parties prenantes et des études d’utilisabilité, plusieurs objectifs ont été définis pour les fiches de données :

• Cohérent : assurer la comparabilité entre les différentes modalités et domaines de données, permettant une interprétation et une validation faciles.
• Exhaustive : intégration de la création de fiches de données dans le cycle de vie des ensembles de données, en répartissant la responsabilité entre les personnes appropriées.
• Intelligible et concise : communiquer efficacement aux lecteurs ayant différents niveaux de compétence, en évitant la surcharge d’informations.
• Explicabilité, incertitude : communiquer les facettes connues et inconnues de l’ensemble de données, en renforçant la confiance grâce à la transparence concernant les incertitudes.

Cadre OFTEn

Le cadre OFTEn a été introduit comme un outil conceptuel permettant de déterminer logiquement comment un sujet (par exemple, le consentement) imprègne toutes les parties d’une fiche de données et ses étapes.

• Origines
• Faits
• Transformations
• Expérience
• Exemple de n = 1

Ce cadre pourrait être utilisé de manière inductive (formuler des questions) et déductive (évaluer la représentation). En fin de compte, l’objectif était de faciliter de manière préemptive la découverte d’informations et d’assurer la qualité des données et des processus simples.

Quels sont les thèmes de contenu clés inclus dans le modèle de fiche de données ?

Les fiches de données sont des résumés structurés conçus pour fournir des faits essentiels sur les ensembles de données d’apprentissage automatique. Ces faits sont essentiels pour les parties prenantes tout au long du cycle de vie d’un ensemble de données, soutenant un développement responsable de l’IA.

Catégories d’informations de base :

• Provenance de l’ensemble de données : Détails sur les origines de l’ensemble de données, y compris les sources en amont, les méthodes de collecte de données (inclusion, exclusion, filtrage) et les mises à jour.
• Caractéristiques de l’ensemble de données : Répartition complète des caractéristiques de l’ensemble de données, des attributs manquants potentiels, de la nature des données (modalité, domaine, format).
• Traitement des données : Comment les données ont été nettoyées, analysées, traitées, évaluées, étiquetées et validées.
• Utilisation et performances : Utilisation antérieure et performances associées de l’ensemble de données (par exemple, modèles entraînés), politiques d’arbitrage.
• Conformité réglementaire : Politiques réglementaires ou de conformité associées à l’ensemble de données (RGPD, licences).
• Infrastructure : Informations sur l’infrastructure de l’ensemble de données et la mise en œuvre du pipeline.
• Statistiques et modèles : Statistiques descriptives, modèles connus (corrélations, biais, asymétries).
• Représentation socioculturelle : Représentation socioculturelle, géopolitique ou économique au sein de l’ensemble de données.
• Équité : Évaluations et considérations liées à l’équité.
• Termes techniques : Définitions et explications des termes techniques utilisés dans la documentation de l’ensemble de données.

Thèmes de contenu clés :

Selon la recherche, un modèle de fiche de données canonique documente 31 aspects différents des ensembles de données, couvrant un large éventail de thèmes généralisables. Ces thèmes incluent :

• Informations sur les éditeurs de l’ensemble de données et comment les contacter.
• Les sources de financement qui ont soutenu la création de l’ensemble de données.
• Restrictions d’accès et politiques régissant l’ensemble de données.
• Politiques d’effacement et de conservation des données.
• Mises à jour, versions, actualisations et ajouts à l’ensemble de données.
• Répartition détaillée des caractéristiques de l’ensemble de données.
• Identification des attributs ou de la documentation manquants.
• Informations sur les sources de données en amont d’origine.
• La nature de l’ensemble de données, y compris la modalité, le domaine et le format des données.
• Exemples de points de données typiques et aberrants.
• Explications et motivations pour la création de l’ensemble de données.
• Applications prévues de l’ensemble de données.
• Discussion des considérations de sécurité lors de l’utilisation de l’ensemble de données.
• État de la maintenance et informations sur la version.
• Différences par rapport aux versions précédentes.
• Comment les données ont été collectées, nettoyées et traitées.
• Processus d’évaluation, d’étiquetage et de validation des données.
• Performances antérieures de l’ensemble de données.
• Tout modèle connu au sein de l’ensemble de données.

Cadre OFTEn :

Le cadre OFTEn est utilisé pour examiner comment un sujet imprègne les fiches de données. OFTEn est un acronyme qui représente les étapes suivantes du cycle de vie de l’ensemble de données :

• Origines
• Faits
• Transformations
• Expérience
• Exemple N=1

Cadres de construction :

L’article propose trois cadres pour la construction de fiches de données :

• Organisation de l’information
• Cadrage des questions
• Évaluation des réponses

Comment le cadre OFTEn peut-il être utilisé pour développer et évaluer des cartes de données ?

Le cadre OFTEn est essentiel pour créer des cartes de données robustes et transparentes pour les ensembles de données d’IA. Il fournit une manière structurée d’examiner comment divers sujets imprègnent toutes les étapes du cycle de vie d’une carte de données. OFTEn, qui signifie Origines, Faits, Transformations, Expérience et exemple n=1, peut être appliqué inductivement et déductivement pour garantir la transparence dans la documentation des ensembles de données.

Comprendre les étapes d’OFTEn

• Origines : Se concentre sur les activités de planification, les décisions de conception, les méthodes de collecte et les politiques qui dictent les résultats de l’ensemble de données. Les thèmes clés incluent la paternité, les motivations, les applications prévues et la licence.
• Faits : Se concentre sur les attributs statistiques décrivant l’ensemble de données et toute déviation par rapport au plan original, y compris l’analyse de pré-préparation. Les thèmes ici englobent le nombre d’instances, les caractéristiques, les étiquettes et les descriptions des caractéristiques.
• Transformations : Englobe les opérations telles que le filtrage, la validation, l’analyse, le formatage et le nettoyage des données brutes, y compris les politiques d’étiquetage ou d’annotation et l’ingénierie des caractéristiques.
• Expérience : Examine comment l’ensemble de données est comparé ou déployé dans des environnements expérimentaux, de production ou de recherche. Les thèmes ici incluent les performances attendues, les performances inattendues, les mises en garde et les cas d’utilisation étendus.
• N=1 (exemples) : Fournit des exemples concrets et des ensembles de données transformés, y compris des cas typiques ou aberrants, et des liens vers des artefacts pertinents. Cette étape se concentre sur la fourniture d’illustrations pratiques pour compléter les descriptions plus abstraites des autres étapes.

Application inductive : OFTEn facilite les activités avec les agents pour formuler des questions sur les ensembles de données et les modèles pertinents à la prise de décision. Il peut être visualisé comme une matrice avec des lignes représentant le cycle de vie de l’ensemble de données et des colonnes incitant à l’encadrement des questions (« qui, quoi, quand, où, pourquoi et comment ») sur un sujet tout au long du cycle de vie.

Application déductive : OFTEn aide à évaluer si une carte de données représente avec précision l’ensemble de données. L’utilisation du cadre entraîne des effets formatifs à la fois sur la documentation et sur l’ensemble de données lui-même.

Les cartes de données qui reflètent clairement une structure OFTEn sous-jacente sont également plus faciles à développer et à mettre à jour, capturant des informations au fil du temps telles que les commentaires des agents en aval, les différences entre les versions et les audits. Par exemple, lors de la prise en compte du consentement des données, OFTEn aide à générer des questions critiques tout au long du cycle de vie de l’ensemble de données :

• Qui était responsable de la définition des conditions de consentement ?
• Quelles manipulations des données sont autorisées en vertu du consentement donné ?
• Quand le consentement peut-il être révoqué ?
• Où les conditions de consentement sont-elles applicables ?
• Pourquoi des conditions de consentement spécifiques ont-elles été choisies ?

En répondant à ces questions à travers les étapes Origines, Faits, Transformations, Expérience et exemple n=1, les intendants de données peuvent découvrir de manière préemptive des informations pour une meilleure création d’ensembles de données.

Quel était l’objectif de la création d’une fiche de données pour un ensemble de données de vision par ordinateur axé sur la recherche en matière d’équité ?

L’objectif principal de la création d’une fiche de données pour un ensemble de données de vision par ordinateur axé sur la recherche en matière d’équité était de fournir un aperçu clair et concis des caractéristiques, des limitations et des utilisations acceptables de l’ensemble de données. Cela a été perçu comme un moyen efficace de communiquer ces informations aux évaluateurs internes en matière d’éthique et aux publics externes.

Principaux objectifs de la fiche de données de l’ensemble de données de vision par ordinateur :

• Transparence et communication : Articuler clairement les attributs de l’ensemble de données, en particulier les attributs sensibles tels que le sexe perçu et la tranche d’âge, et définir les attentes concernant l’application appropriée et responsable des données.
• Atténuation des risques : Aborder les risques potentiels découlant de l’utilisation d’étiquettes sensibles tout en soulignant les avantages sociétaux de l’utilisation de l’ensemble de données pour l’analyse de l’équité et l’atténuation des biais.
• Alignement des parties prenantes : Faciliter une compréhension commune entre les diverses parties prenantes (auteurs de l’ensemble de données, évaluateurs internes, utilisateurs externes) concernant les nuances et les considérations éthiques de l’ensemble de données.
• Organisation des connaissances : Consolider les informations distribuées sur le cycle de vie de l’ensemble de données dans un format lisible et reproductible, utilisable sur plusieurs ensembles de données.

Implications pratiques et perspectives :

• Révélation des lacunes de perception : Le processus de création de la fiche de données a mis en évidence les différences de perception entre les experts, incitant à des études plus approfondies des critères d’étiquetage et des caractéristiques des données (par exemple, la signification des valeurs « inconnu » pour la tranche d’âge perçue).
• Amélioration itérative : Les commentaires des évaluateurs ont conduit à des améliorations de la fiche de données, telles qu’une section personnalisée sur les boîtes englobantes et l’ajout de visualisations de soutien. Cela a également stimulé l’itération sur les champs de la fiche de données pour les futurs ensembles de données de vision par ordinateur.
• Utilisabilité : Les commentaires étaient axés sur la découverte des besoins en informations des agents pour des conclusions acceptables concernant la responsabilité, les risques et les recommandations, les utilisations, les conséquences et la qualité de l’ensemble de données.
• Impact en aval : La fiche de données a aidé les agents en aval à la trouver utile et a recherché des modèles pour leur propre usage.

Quel était l’objectif de la création d’une fiche de données pour un ensemble de données de traduction linguistique géographiquement diversifié ?

L’objectif principal était de traiter les biais et les hypothèses dans les modèles de traduction linguistique liés à la diversité géographique. Une équipe a découvert que certains modèles associaient des noms à des genres spécifiques, et que les ensembles de données d’entraînement précédents manquaient de représentation suffisante des noms provenant de diverses zones géographiques. La fiche de données a été créée pour :

• Communiquer la portée limitée de la diversité géographique atteinte dans l’ensemble de données.
• Expliquer comment le genre a été déduit des descriptions d’entités, reconnaître les problèmes potentiels liés à cette approche.
• Empêcher une utilisation inappropriée de l’ensemble de données en soulignant ses limites.

Essentiellement, la fiche de données servait de mécanisme de transparence pour informer les utilisateurs des choix de conception de l’ensemble de données, des biais potentiels et des consignes d’utilisation sûre, même pour les utilisateurs sans expertise technique approfondie.

Implications réglementaires et de conformité

Bien que non explicitement mandatée, la fiche de données abordait implicitement les préoccupations réglementaires potentielles concernant l’équité et les biais, qui sont de plus en plus examinés dans le cadre des cadres émergents de gouvernance de l’IA. En documentant les limites et les biais potentiels de l’ensemble de données, l’équipe visait à se conformer à l’« esprit » des réglementations en matière d’équité, en veillant à ce que les utilisateurs soient conscients des résultats discriminatoires potentiels et puissent prendre des mesures d’atténuation.

Avantages pratiques et leçons apprises

Le processus de création lui-même a offert des perspectives précieuses allant bien au-delà de la conformité :

• Amélioration de la communication : la fiche de données a facilité des discussions plus claires avec les parties prenantes, permettant une compréhension commune des limites et des hypothèses de l’ensemble de données.
• Conception améliorée de l’ensemble de données : le processus a incité l’équipe à réévaluer ses décisions de conception, ce qui a conduit à un ensemble de données plus fondé et intentionnel.
• Boucle de rétroaction précoce : les commentaires des parties prenantes pendant le processus de création de la fiche de données ont révélé des problèmes qui, idéalement, auraient dû être résolus lors de la conception initiale de l’ensemble de données. L’expérience a souligné l’importance d’intégrer la création de la fiche de données *tôt* dans le cycle de vie de l’ensemble de données.

La fiche de données a servi non seulement de documentation, mais aussi d’outil d’autoréflexion critique et d’amélioration de la collaboration, menant finalement à un processus de développement de l’IA plus responsable.

Quelles sont certaines des expériences et résultats observés à partir des études de cas impliquant les Data Cards ?

Les Data Cards émergent comme un outil essentiel pour favoriser la transparence et la responsabilité dans le développement de l’IA. Les études de cas révèlent un éventail d’expériences et de résultats, soulignant à la fois leur potentiel et les défis liés à leur mise en œuvre.

Principaux enseignements des études de cas

• Transparence accrue : Les Data Cards fournissent un résumé structuré des faits essentiels du jeu de données, ce qui est vital pour une prise de décision éclairée tout au long du cycle de vie d’un jeu de données. Elles expliquent les processus et les justifications qui façonnent les données et, par conséquent, les modèles formés sur celles-ci.
• Conception améliorée des jeux de données : La création de Data Cards a incité les équipes à reconsidérer les décisions de conception, conduisant à des jeux de données plus rigoureux et intentionnels. Par exemple, l’exercice a révélé la nécessité d’une compréhension plus claire des lexiques d’étiquetage au sein des équipes.
• Communication facilitée : Les Data Cards ont permis des discussions plus claires entre les parties prenantes ayant différents niveaux d’expertise technique. L’accord sur des définitions, telles que le « genre perçu », est devenu plus simple.
• Retour d’information précoce sur les pratiques d’IA responsable : Les Data Cards facilitent le retour d’information précoce des experts et des non-experts, influençant la conception et les analyses des données.

Préoccupations réglementaires et implications pratiques

Les préoccupations concernant la transparence dans l’apprentissage automatique influencent le contrôle réglementaire. Les Data Cards offrent un mécanisme standardisé et pratique pour la transparence, mais leur création nécessite une planification minutieuse :

• Mise en œuvre proactive : Les études de cas ont démontré que la création de Data Cards en tant qu’étape finale augmentait la charge de travail perçue. L’intégration de leur création dans le processus de développement du jeu de données a amélioré la pertinence et la lisibilité.
• Vocabulaire de l’incertitude : Les équipes développant plusieurs Data Cards ont commencé à développer une compréhension plus riche qui peut être utilisée pour développer un vocabulaire de l’IA afin d’exprimer l’incertitude, d’une manière claire à interpréter. Cela permet aux producteurs d’exprimer clairement leurs préoccupations concernant les données.
• Objets frontières : Les Data Cards fonctionnent comme des « objets frontières », permettant à diverses parties prenantes (data scientists, chefs de produit, analystes politiques) de les utiliser pour diverses tâches telles que les audits, l’évaluation des jeux de données et le suivi de l’adoption au sein de plusieurs groupes.

Quelles sont les considérations qui favorisent l’adoption des Fiches de données ?

Les Fiches de données visent à encourager une documentation transparente, pertinente et centrée sur l’humain des ensembles de données dans les contextes pratiques de l’industrie et de la recherche, contribuant ainsi au développement responsable de l’IA. Plusieurs considérations peuvent favoriser leur adoption, en se concentrant sur l’utilité, la centralité humaine et la prise en compte des contraintes du monde réel.

Principales caractéristiques souhaitables :

• Cohérence : Les Fiches de données doivent être comparables entre les modalités et les domaines, garantissant que les affirmations sont facilement interprétables et valides dans leur contexte. Il est essentiel de préserver la comparabilité lors de la mise à l’échelle.
• Exhaustivité : La création de Fiches de données doit idéalement se faire simultanément à la création de l’ensemble de données, en répartissant la responsabilité de l’achèvement. Cela nécessite des méthodes normalisées allant au-delà de la Fiche de données elle-même.
• Intelligibilité et concision : Les Fiches de données doivent communiquer efficacement avec des lecteurs de différents niveaux de compétence. Le contenu et la conception doivent faire progresser la délibération sans submerger, favorisant la coopération vers un modèle mental partagé.
• Explicabilité et incertitude : Il est essentiel de communiquer l’incertitude avec les métadonnées. Des descriptions et des justifications claires de l’incertitude peuvent inciter à des mesures d’atténuation, conduisant à des modèles plus justes et plus équitables.

Principes clés pour la conception et la mise en œuvre :

• Flexibilité : Les Fiches de données doivent décrire un large éventail d’ensembles de données, qu’ils soient dynamiques ou statiques, à source unique ou multiple, ou multimodaux.
• Modularité : La documentation doit être organisée en unités autonomes et reproductibles fournissant des descriptions de bout en bout des aspects d’un seul ensemble de données.
• Extensibilité : Les composants doivent être facilement reconfigurés ou étendus pour de nouveaux ensembles de données, analyses et plateformes.
• Accessibilité : Le contenu doit être représenté à plusieurs granularités pour une navigation efficace et des descriptions détaillées.
• Agnosticisme du contenu : Prise en charge de divers types de médias, notamment du texte, des visualisations, des images, des blocs de code et des éléments interactifs.

Surmonter les défis :

• Résoudre l’opacité : Évitez le jargon technique ; utilisez des explications en langage clair de ce qu’est quelque chose, de ce qu’il fait et de pourquoi.
• Alignement des parties prenantes : S’aligner sur une définition commune de la transparence, du public et des exigences du public.
• Facteurs organisationnels : Tenez compte des asymétries de connaissances, des processus d’incitation, de la compatibilité de l’infrastructure et de la culture de la communication.

Cadres pour une création efficace :

• Cadre OFTEn : (Origines, Faits, Transformations, Expérience, n=1 exemple) – permet une prise en compte systématique d’un sujet dans toutes les parties d’une Fiche de données.
• Cadre de questions socratiques : Utilisez des télescopes (aperçus), des périscopes (détails techniques) et des microscopes (détails précis) pour explorer progressivement le contenu sur plusieurs niveaux d’abstraction.

Évaluation et dimensions pour l’évaluation des Fiches de données :

• Responsabilité : Démontre la propriété, le raisonnement et la prise de décision systématique.
• Utilité ou utilisation : Satisfait les besoins de prise de décision responsable concernant l’adéquation de l’ensemble de données.
• Qualité : Communique la rigueur, l’intégrité et l’exhaustivité d’une manière accessible.
• Impact ou conséquences de l’utilisation : Définir les attentes pour les résultats positifs et négatifs.
• Risques et recommandations : Sensibilise aux risques potentiels et fournit des informations pour des compromis responsables.

Les organisations devraient viser des Fiches de données facilement adaptables à leurs ensembles de données, leurs modèles et leurs piles technologiques. Il est essentiel de mettre en œuvre des infrastructures qui favorisent la collaboration et la co-création des parties prenantes, la liaison et le stockage d’artefacts étrangers, ainsi que l’automatisation partielle des visualisations, des tableaux et des résultats d’analyses, la liaison et le stockage des informations connexes.

L’adoption à l’échelle de l’industrie des Cartes de données pourrait être stimulée par des normes convenues en matière d’interopérabilité et de contenu qui serviraient aux producteurs et aux agents à développer des modèles mentaux plus équitables des ensembles de données.

Quels sont certains des facteurs liés à l’infrastructure et à l’automatisation qui ont un impact sur l’utilisation efficace des fiches de données ?

Dans la précipitation de la mise en œuvre des fiches de données et d’autres artefacts de transparence, les organisations doivent être conscientes des considérations infrastructurelles et d’automatisation qui peuvent avoir un impact sur leur efficacité.

Compatibilité et préparation de l’infrastructure

Le succès d’une organisation dans l’exploitation des fiches de données dépend de sa capacité à les adapter à ses ensembles de données, à ses modèles et à ses piles technologiques existantes. Cela comprend :

• S’assurer que les infrastructures de gestion des connaissances sont connectées aux pipelines de données et de modèles. Cela permet d’intégrer de nouvelles connaissances de manière transparente dans les fiches de données, en les tenants à jour moyennant une intervention manuelle minimale.
• Choisir des plateformes qui prennent en charge les formulaires interactifs (formulaires numériques, référentiels) et non interactifs (PDF, documents). Cela rend les fiches de données plus accessibles à un large éventail de parties prenantes et de cas d’utilisation.
• Adopter une conception à base de blocs qui facilite la mise en œuvre sur diverses plateformes, garantissant ainsi l’adaptabilité à différentes interfaces.

Considérations relatives à l’automatisation

Bien que l’automatisation puisse rationaliser la création et la maintenance des fiches de données, il est essentiel de trouver un équilibre. Tenez compte des facteurs suivants :

• Référentiels centralisés : mettre en œuvre des référentiels consultables qui permettent une découverte efficace des ensembles de données par les agents, répartissant ainsi la responsabilité de l’utilisation des données dans l’ensemble de l’organisation.
• Collaboration des parties prenantes : les infrastructures qui permettent la co-création collaborative de fiches de données, la liaison d’artefacts et l’automatisation partielle des visualisations sont préférées par les parties prenantes.
• Automatisation stratégique : bien que l’automatisation de champs tels que les statistiques descriptives et les résultats d’analyse améliore la précision, évitez d’automatiser les domaines nécessitant des explications contextuelles et rédigées par des humains des méthodes, des hypothèses et des décisions. Cela garantit que les connaissances implicites sont bien articulées. Selon une étude, les lecteurs ont tendance à désapprouver l’automatisation des champs dans la fiche de données lorsque les réponses contiennent des hypothèses ou des justifications qui aident à interpréter les résultats.
• Intégrité des données : l’automatisation doit garantir l’exactitude et empêcher la présentation erronée (et la légitimation subséquente) d’ensembles de données de mauvaise qualité.

En tenant soigneusement compte de l’infrastructure et de l’automatisation, les organisations peuvent maximiser l’utilité des fiches de données, améliorer la gouvernance des données et, dans l’ensemble, promouvoir un développement de l’IA plus responsable.