Apprendre · Les modèles et leur fonctionnement

Que sont les données d'entraînement?

Illustration : Données d'entraînement (training data)

En termes simples, comme si tu avais 5 ansLes données d'entraînement, c'est comme tous les livres qu'un enfant lit avant d'être capable d'inventer ses propres histoires. L'IA lit d'abord une bibliothèque géante. Ensuite, elle écrit en imitant ce qu'elle a vu.

La version un peu plus longue

Les données d'entraînement, c'est l'énorme collection de textes, d'images ou de sons qu'un modèle d'IA utilise pour apprendre. Le modèle, c'est le programme qui roule derrière un agent conversationnel comme Claude ou ChatGPT. Pendant l'entraînement, il lit des milliards de phrases. Petit à petit, il apprend quels mots viennent d'habitude après les autres. Il ne garde pas une copie exacte de chaque livre. Mais il lui arrive de répéter des bouts de ce qu'il a lu.

D'où vient tout ce texte? De sites Web, de forums, d'articles, de code et de livres. Une partie, on a le droit de s'en servir. Une autre partie, non. On surnomme souvent cette collection géante « la pile » (the pile). En général, personne ne demande la permission aux auteurs, et souvent, personne ne les paie. Les entreprises peuvent aussi se servir de tes propres conversations pour entraîner leurs prochains modèles. Ça dépend de tes réglages et des règles de chaque compagnie.

Des données d'entraînement à l'agent conversationnel

Ramasser la pileL'entreprise rassemble des quantités énormes de texte qui viennent du Web, de livres et d'ailleurs.
Nettoyer et trierOn enlève les doublons et une partie du mauvais contenu, mais pas tout.
Le modèle lit tout çaIl apprend des régularités, comme les mots qui suivent d'habitude d'autres mots.
L'agent te répondSes réponses partent de ces régularités. Autrement dit, la pile façonne ce qu'il te dit.

Pourquoi c'est important

Le Stanford Daily rapporte qu'Anthropic a entraîné Claude avec des livres obtenus illégalement, écrits par des professeurs de Stanford. Et ça tombe à peine quelques jours après une poursuite sur les paroles de chansons d'Elvis Presley. Si tu écris, si tu enseignes ou si tu crées, ton travail est peut-être déjà dans ces modèles, sans que tu aies dit oui. Bien du monde se pose aussi la question pour ses propres conversations : cette semaine, la page d'aide de Claude qui explique si tes données servent à l'entraînement a beaucoup circulé sur Hacker News.

À surveiller

Est-ce légal d'entraîner un modèle avec des livres protégés par le droit d'auteur? Le débat n'est pas fini, et les tribunaux n'ont pas encore tranché partout. L'affaire de Stanford, c'est un reportage, pas un jugement. Et les entreprises publient rarement la liste complète de ce qu'elles ont utilisé. C'est donc très difficile pour un auteur, ou pour toi, de vérifier ce qu'il y a dedans.

Où on en a parlé

Cette notion est apparue dans Les bâtisseurs écrivent leurs cauchemars, on paie la facture. Plus de leçons : Apprendre.

Sources

Écrit le 2026-10-29. Cette explication était exacte ce jour-là. L'IA change vite : vérifie les sources et la date avant de t'y fier.