Existe-t-il une durée maximale fixée par la loi pour des données d'entraînement ?

La CNIL ne fixe pas de durée chiffrée : c'est au responsable de la déterminer selon l'objectif et de la justifier. Elle précise qu'une durée de plusieurs années depuis la collecte doit être justifiée.

Peut-on garder les données d'entraînement pour réentraîner plus tard ?

La maintenance et l'amélioration du système peuvent justifier une conservation, dans un espace cloisonné, pour une durée limitée et justifiée. L'amélioration est une finalité qui demande une base légale et l'information des personnes.

Durée de conservation des données d'entraînement d'une IA

Il n'existe pas de durée unique : c'est au responsable de traitement de fixer une durée liée à l'objectif, de la justifier et de l'appliquer. La CNIL (Commission nationale de l'informatique et des libertés) précise, dans sa fiche du 08/04/2024 sur la collecte et la gestion des données, qu'une durée de plusieurs années depuis la collecte doit être justifiée, et que les cycles de développement et de maintenance ne peuvent pas prolonger indéfiniment la conservation. Elle distingue trois temps, qui n'appellent pas la même réponse.

Trois temps, trois durées

Phase	Ce qui justifie la conservation	Ce que la CNIL demande
Développement	Constituer la base, entraîner, tester	Une durée planifiée et justifiée ; suppression automatique à l'échéance quand c'est possible ; traçabilité des copies extraites
Maintenance	Vérifier les performances, auditer le système	Un espace cloisonné et sécurisé ; une durée limitée et justifiée ; tenir compte de la durée prévue par la source si elle est ouverte
Amélioration	Réentraîner, enrichir le modèle	Une finalité à part, avec sa base légale et l'information des personnes ; n'extraire du stockage cloisonné que les données nécessaires

Pour les organismes publics, un archivage peut être imposé par le code du patrimoine ; c'est alors un autre traitement, à finalité d'archivage.

Pourquoi cette question touche le développeur

Trois raisons très concrètes :

Les copies se multiplient. Un jeu de données vit dans un entrepôt, mais aussi dans des carnets de travail, des exports, des environnements de test, des sauvegardes. La CNIL insiste sur la traçabilité des copies extraites : une durée qui ne s'applique qu'à l'original ne vaut rien.
La conservation conditionne l'exercice des droits. La CNIL note, dans sa fiche sur les droits des personnes, que le réentraînement, moyen le plus efficace d'effacer ou de rectifier des données dans un modèle, n'est possible que si l'on dispose encore des données d'entraînement. Il y a donc un arbitrage à documenter entre garder moins longtemps et pouvoir répondre aux demandes (voir les droits face à un modèle).
La durée fait partie de l'information due. La CNIL indique que la durée de conservation et les droits sont des informations « quasi-systématiquement requises » pour les jeux d'apprentissage (voir informer les personnes). Le registre des traitements doit aussi mentionner, dans la mesure du possible, les délais prévus pour l'effacement (article 30 du RGPD, règlement général sur la protection des données).

La mettre en œuvre

Une durée par jeu de données, écrite dans sa fiche de documentation, avec sa justification (la CNIL propose un modèle de fiche).
Une date d'échéance technique : étiquette ou métadonnée qui permet une purge automatisée.
Un inventaire des copies : où le jeu a été extrait, par qui, pour quoi.
Un espace séparé pour la maintenance : accès restreint, journalisé, réservé aux tests de performance et aux audits.
Une revue à chaque cycle : à chaque nouvel entraînement, se demander ce qui peut être supprimé, généralisé ou remplacé par des données synthétiques.
Les sauvegardes : une durée connue et documentée, alignée sur le reste.

Les journaux et les données de service

Les données produites quand le système est en service (requêtes des utilisateurs, réponses, journaux techniques) ne sont pas des données d'entraînement par défaut. Les réutiliser pour améliorer le modèle est un nouveau traitement. Leur durée propre est traitée dans journaliser un système d'IA ; le cas des conversations d'un assistant conversationnel vendu en marque blanche est développé dans la durée de conservation des conversations.

Le suivi dans le temps

La CNIL rappelle qu'un jeu de données vieillit : changement de capteur, nouvelle catégorie, saisonnalité, mise à jour des sources, empoisonnement malveillant. Elle recommande de comparer régulièrement le jeu aux données sources, ce qui peut s'automatiser (elle cite Evidently et les tests statistiques de SciPy pour détecter les dérives). Un jeu qui n'est plus représentatif n'a plus de raison d'être gardé tel quel : la revue de qualité et la revue de conservation peuvent se faire en même temps.

La durée retenue pour votre projet se fixe avec votre délégué à la protection des données ; cette page en donne la méthode, pas le chiffre.