Modèle 9 : fiche jeu de données
Couvre : A.7.2 (données de développement), A.7.3 (acquisition), A.7.4 (qualité), A.7.5 (provenance), A.7.6 (préparation), et A.4.3 (ressources : données). La norme n'impose ni un fichier par exigence ni ces intitulés : une fiche par jeu suffit. Inspiré des « datasheets for datasets » (Gebru et al., 2018).
Une fiche par jeu et par version : entraînement, validation, test, réentraînement. Un jeu sans fiche ne sert pas à entraîner un modèle mis en production.
données personnelles base légale RGPD (art. 6), et exception de l'art. 9 si santé
réutilisation données collectées pour gérer un contrat, réutilisées pour entraîner :
examen de compatibilité lorsque requis (art. 6.4) ; AIPD si risque élevé (art. 35)
haut risque AI Act art. 10 : données pertinentes, représentatives, examinées
pour les biais
Modèle vide
Jeu nom, version, date de gel, propriétaire
Systèmes systèmes et versions de modèle qui l'utilisent (modèle 8)
Usage (A.7.2)
Finalité entraînement, validation, test, réentraînement
Usages exclus ce que ce jeu ne doit pas servir à faire
Composition une ligne = quoi ; volumétrie ; période ; variables ; étiquette
Acquisition et droits (A.7.3)
Sources internes, externes ; pour chacune : contrat ou licence
Base légale art. 6 RGPD ; exception art. 9 si données de santé
Compatibilité test art. 6.4 si réutilisation ; conclusion
Information comment les personnes ont été informées
AIPD référence, date, avis DPO
Minimisation variables écartées, pseudonymisation
Qualité (A.7.4)
Critère définition, seuil, mesure, résultat
Représentativité répartition par groupe dans le jeu et dans la population servie
Biais connus groupes sous-représentés, étiquettes historiques biaisées, correctif
Provenance et versions (A.7.5)
Extraction système source, requête ou script, date, auteur
Version n°, empreinte (hash), lieu de stockage, accès
Historique version, date, changement, raison
Préparation (A.7.6)
Nettoyage règles d'exclusion, nombre de lignes exclues par règle
Transformations scripts versionnés, référence du commit
Étiquetage définition de l'étiquette, consignes, annotateurs, contrôle d'accord
Découpage entraînement, validation, test ; règle de séparation
Conservation et suppression
Durée durée, justification, suppression ou anonymisation à l'échéance
Exemple rempli : mutuelle fictive
Jeu sinistres-entrainement-2019-2023, v3.1, gelé le 2 septembre 2026,
propriétaire : responsable data
Systèmes tri des sinistres, modèle tri-sinistres-2.3
Usage :
Finalité entraînement et validation du tri des sinistres
Usages exclus tarification, sélection des adhérents, évaluation des gestionnaires,
tout autre modèle sans nouvelle fiche
Composition une ligne = un dossier de soins clos
2 870 000 dossiers extraits, 2 612 000 après exclusions
janvier 2019 à décembre 2023
41 variables candidates, 18 retenues (modèle 8)
étiquette : dossier ayant nécessité un examen (voir préparation)
Acquisition et droits :
Sources outil de gestion des prestations (interne) ; aucune donnée externe
Base légale gestion du contrat : art. 6.1 b, à vérifier selon les traitements
entraînement : justification propre à documenter ; l’intérêt légitime
n’est pas établi par le seul test de compatibilité
Art. 9 données de santé : exception à justifier séparément ; l’art. 9.2 h
ne peut pas être présumé applicable à tout entraînement de modèle
Compatibilité analyse à documenter : finalités, contexte, nature des données,
conséquences et garanties ; pseudonymisation seule insuffisante
Décision juridique exemple incomplet sur ce point : aucun entraînement sur données réelles
avant justification de la licéité par le responsable de traitement,
avec le conseil du DPO et l’appui juridique nécessaire
Information notice d'information adhérents mise à jour en 2026, mention
de l'usage pour l'amélioration du traitement des dossiers
AIPD AIPD-2026-04, jointe à l'évaluation d'impact (modèle 4)
Minimisation nom, NIR, adresse, IBAN supprimés ; identifiant pseudonymisé ;
code postal réduit à une zone de résidence urbaine ou rurale
Qualité :
complétude variables retenues renseignées >= 98 % 98,7 % conforme
doublons même dossier saisi deux fois 0 0 conforme
cohérence montant remboursé <= montant engagé 100 % 100 % conforme
étiquette accord entre annotateurs (kappa) >= 0,8 0,84 conforme
Représentativité, part des dossiers :
agences rurales 9 % dans le jeu 14 % du flux 2026 sous-représentées
ALD 22 % dans le jeu 24 % du flux 2026 proche
plus de 75 ans 17 % dans le jeu 18 % du flux 2026 proche
Biais connus :
agences rurales fusion d'agences en 2021, dossiers ruraux 2019-2020 mal rattachés
-> repondération x 1,6 à l'entraînement ; test par agence (modèle 8, E3)
étiquette reflète les pratiques passées des gestionnaires, plus de contrôles
historiques en zone rurale -> réannotation de l'échantillon
période 2020 actes reportés pendant la crise sanitaire -> conservée, signalée
Provenance et versions :
Extraction entrepôt prestations, script extract_sinistres.sql, commit 4f2a9c1,
2 septembre 2026, équipe data
Version v3.1, SHA-256 consigné dans le registre des jeux, stockage interne
chiffré, accès : 4 personnes de l'équipe data
Historique v2.0 2024 jeu 2019-2022, provenance non tracée (constat A.7.5)
v3.0 juin 2026 ajout 2023, extraction rejouable
v3.1 sept. 2026 rattachement des agences corrigé, repondération rurale
Préparation :
Exclusions dossiers non clos 112 000
dossiers frauduleux avérés (fiche jeu fraude) 18 000
actes hors nomenclature ou montant nul 96 000
adhérents opposés au traitement 32 000
Transformations pipeline prepare_sinistres.py, commit 4f2a9c1, rejouable à l'identique
Étiquette 1 si le dossier a fait l'objet d'une correction, d'une demande de pièce
ou d'un refus partiel ; 0 sinon
Consignes échantillon de 20 000 dossiers réannoté par 6 gestionnaires seniors ;
double annotation ; désaccord tranché par un troisième ; consigne :
juger le besoin d'examen sur les pièces, pas sur l'agence ni le
profil de l'adhérent ; guide d'annotation v1.2
Découpage entraînement 2019-2022, validation 2023 ; test sur 2024 (jeu séparé)
Conservation :
Durée 5 ans, alignée sur la durée de conservation des dossiers (modèle 4) ;
suppression à l'échéance, consignée dans le registre des jeux
Repères juridiques
Voir les corrections sur la discipline et le RGPD, avec les sources officielles. Les valeurs de l’exemple fictif ne constituent pas des durées ou des autorisations légales générales.