SOURCE
Quelle source a fourni le fait ?
+IA / Données fiables
DONNÉES FIABLES POUR L’IA : CE QUE LE MODÈLE PEUT CROIRE.
Une IA peut lire une valeur sans savoir si elle est complète, à jour, ou généralisable. Pour qu’une donnée reste fiable, il faut donc que son contexte survive à la récupération et à la transformation.
01 / Le problème
ACCÉDER À LA DONNÉE N’EST PAS SAVOIR QUOI EN CROIRE.
Brancher une IA sur davantage de bases ne répond pas à la question de savoir quelle source doit primer quand deux sources se contredisent. Cela ne dit pas non plus si une case vide signifie « inconnu », si un zéro a été mesuré, ni si un jeu de données couvre réellement la population nommée dans la question posée.
Pour une IA, une couche de confiance utile doit transporter assez de contexte pour contraindre la réponse, et pas seulement l’enrichir.
FRAÎCHEUR
À quelle date était-ce valable ou actualisé ?
COUVERTURE
Qu’observe vraiment le jeu de données ?
À NE PAS DÉDUIRE
Quelles conclusions les éléments disponibles ne soutiennent-ils pas ?
02 / Notre approche
LE MOTEUR DATAAUTHORITY EST CONSTRUIT AUTOUR DE SORTIES QUI CONSERVENT LA PREUVE.
L’objectif n’est pas d’affirmer qu’un logiciel déciderait seul de ce qui est vrai. Dans notre architecture, les résultats peuvent être décomposés en atoms — unités de faits traçables reliées à leurs sources et limites — afin de donner à des humains et à des systèmes d’IA de meilleurs éléments sur ce que les données disponibles permettent, ou non, d’affirmer.
03 / En clair
« ON NE SAIT PAS » NE DOIT JAMAIS DEVENIR « ZÉRO ».
Une observation absente n’est pas un zéro mesuré. Une source manquante ne prouve pas une absence. Un désaccord entre deux sources ne se règle pas parce qu’une valeur est plus simple à utiliser. Ces distinctions sont précisément ce qu’un système d’IA doit pouvoir voir pour rester honnête.
Précision : « donnée fiable » ne veut pas dire « donnée vraie partout ». Cela veut dire que l’on sait d’où elle vient, ce qu’elle couvre et ce qu’elle ne permet pas de conclure.