Guide
Réutiliser une base de données pour entraîner une IA
Données déjà collectées, base publique ou jeu acheté : les vérifications que la CNIL demande avant de réutiliser des données pour une IA.
Mis à jour le
- la source est indiquée dans la description du jeu ;
- sa constitution ou sa diffusion ne résulte pas manifestement d'une infraction ou d'une sanction ;
- il n'y a pas de doute flagrant sur sa licéité, notamment pour des données très intrusives, et les conditions de collecte sont documentées ;
- elle ne contient pas de données sensibles ou d'infractions, ou, si elle en contient, des vérifications supplémentaires ont été menées.
Réutiliser des données plutôt que d'en collecter de nouvelles est tentant : c'est plus rapide. Mais la fiche de la CNIL « Assurer que le traitement est licite : en cas de réutilisation des données » (08/04/2024) pose une règle simple : ces vérifications s'ajoutent à l'identification de la base légale (voir les cinq bases légales), elles ne la remplacent pas. Trois situations, trois jeux de vérifications. Informations générales, à faire valider par un juriste ou le DPO (délégué à la protection des données).
Si la réutilisation envisagée consiste à rendre un fonds consultable, examinez les fonctions documentaires d’ALMA. Documentez la provenance du fonds et le nouveau parcours de consultation avant d’en importer un échantillon autorisé.
Cas 1 : vos propres données, collectées pour autre chose
Vous disposez d'un fichier clients, de tickets d'assistance, de documents internes, et vous voulez entraîner ou affiner un modèle. Si la finalité n'était pas prévue et communiquée aux personnes dès la collecte, et que le traitement ne repose ni sur le consentement ni sur un texte de droit, la CNIL demande un test de compatibilité. Il examine :
- le lien entre l'ancienne et la nouvelle finalité ;
- le contexte de la collecte et les attentes raisonnables des personnes ;
- la nature des données, notamment leur sensibilité ;
- les conséquences possibles pour elles ;
- les garanties (chiffrement, pseudonymisation).
Selon les exemples de la fiche, une réutilisation peut être jugée compatible si les garanties sont suffisantes, par exemple une possibilité de s'opposer sans avoir à donner de motif. À noter : pour des fins statistiques ou de recherche, le traitement est présumé compatible s'il respecte le RGPD et ne sert pas à prendre des décisions individuelles, et le simple recours à l'apprentissage automatique ne suffit pas à le qualifier de statistique. Même compatible, le traitement demande une base légale et l'information des personnes (informer les personnes).
Cas 2 : une base accessible publiquement
Un jeu de données en téléchargement libre n'est pas pour autant sans risque. Vous ne devez pas utiliser une base manifestement illicite. La CNIL liste ce qu'il faut contrôler :
- la source est indiquée dans la description du jeu ;
- sa constitution ou sa diffusion ne résulte pas manifestement d'une infraction ou d'une sanction ;
- il n'y a pas de doute flagrant sur sa licéité, notamment pour des données très intrusives, et les conditions de collecte sont documentées ;
- elle ne contient pas de données sensibles ou d'infractions, ou, si elle en contient, des vérifications supplémentaires ont été menées.
Des illicéités mineures n'interdisent pas forcément la réutilisation si votre propre traitement respecte le RGPD. En revanche, utiliser une base manifestement illicite expose, d'après la fiche, au délit de recel prévu à l'article 321-1 du code pénal. La CNIL suggère de consigner ces vérifications dans l'analyse d'impact.
Cas 3 : une base achetée à un tiers
Le vendeur doit s'assurer de la licéité de sa transmission. S'il n'a pas collecté les données pour cet usage, il doit lui-même faire le test de compatibilité. Une licence peut encadrer les réutilisations. De votre côté, vérifiez que la base n'est pas manifestement illicite, et obtenez si possible un accord avec le détenteur initial. Le contrat devrait préciser :
- la source et le contexte de collecte ;
- la base légale ;
- l'AIPD (analyse d'impact) si elle est nécessaire ;
- les mentions d'information ;
- les garanties de licéité du partage.
La CNIL propose un modèle de fiche descriptive de jeu de données. Si le vendeur s'appuie sur un consentement, c'est à vous de pouvoir le prouver : une simple clause du contrat ne suffit pas, même si le contrat peut organiser la preuve et sa conservation.
Ce qui ne change jamais
Quel que soit le cas, le réutilisateur assure la conformité complète de ses propres traitements, même si la base relève d'un droit autre que français ou européen, informe les personnes et leur permet d'exercer leurs droits (accès et effacement face à un modèle). Pour le cas voisin où un prestataire réutilise vos données pour améliorer son propre modèle, voir cette page sur les données chez le fournisseur.
Un réflexe de développeur
Avant tout import dans un dépôt d'entraînement, exigez la fiche du jeu : origine, date, licence, base légale revendiquée, présence de données sensibles. Pas de fiche, pas d'entrée dans le pipeline.
Questions fréquentes
Peut-on entraîner un modèle sur les données déjà collectées pour un autre usage ?
Seulement si la finalité est compatible. Sauf consentement ou texte de droit, la CNIL demande un test de compatibilité : lien entre les finalités, attentes raisonnables, nature des données, conséquences, garanties. Une base légale et l'information des personnes restent nécessaires.
Peut-on utiliser un jeu de données trouvé en ligne ?
À condition qu'il ne soit pas manifestement illicite. La CNIL demande de vérifier la source, l'absence d'infraction apparente dans sa constitution et la documentation de la collecte. Utiliser une base manifestement illicite expose, selon la fiche, au délit de recel (article 321-1 du code pénal).
Que mettre dans le contrat d'achat d'une base d'apprentissage ?
La CNIL cite la source, le contexte de collecte, la base légale, l'AIPD si elle est nécessaire, les mentions d'information et les garanties de licéité du partage.
Sources
Pages consultées pour écrire cet article :