Dispositif de traçabilité qui conserve les preuves nécessaires pour comprendre comment un modèle a été conçu, entraîné, testé et déployé. Il inclut l'historique des versions, la provenance des données, les résultats de tests et les décisions de validation, afin de faciliter les audits et les enquêtes.
La traçabilité et l'audit des modèles IA sont des piliers essentiels pour une gouvernance responsable, réduisant les risques de biais, d'hallucinations et de décisions non transparentes, tout en offrant des opportunités de fiabilité accrue et de Supervision humaine.
Un assureur conserve pendant plusieurs années les jeux de tests, les hyperparamètres et les comptes rendus de comités qui ont validé chaque version d'un modèle de tarification.
Termes connexes (Gouvernance)
Comité éthique IA
Instance de gouvernance chargée d'évaluer les implications éthiques, sociales et environnementales des projets d'intelligence artificielle. Distinct du comité technique, il se concentre sur les biais, l'équité, la transparence et l'impact sociétal des systèmes IA déployés.
Injection de prompt
Attaque par laquelle un utilisateur malveillant insère des instructions cachées dans un contenu exploité par un modèle d'IA (email, document web, commentaire), afin de détourner le comportement du système, extraire des données ou générer des résultats non prévus. C'est l'une des vulnérabilités les plus critiques des applications RAG et des agents IA, avec des conséquences directes sur la confidentialité, la conformité et l'intégrité du reporting ESG.
Contournement des garde-fous
Technique visant à contourner les mécanismes de sécurité et les règles éthiques d'un modèle d'IA pour obtenir des contenus interdits, dangereux, biaisés ou non conformes. Les jailbreaks exploitent les failles de l'alignement par le RLHF (reinforcement learning from human feedback) via des scénarios de rôle, des prompts encodés ou des manipulations sémantiques. En ESG, ils peuvent être utilisés pour générer de faux rapports de durabilité ou tromper les systèmes de scoring.
Tests offensifs
Les tests offensifs consistent à faire passer un modèle d'IA à un examen de stress mené par des experts qui cherchent à le faire dérailler, comme un test d'intrusion pour un logiciel. Méthodologie de tests offensifs dans laquelle une équipe d'experts tente délibérément de provoquer des défaillances, des biais, des hallucinations ou des comportements dangereux d'un système d'IA. Le red teaming est exigé par l'AI Act pour les modèles à haut risque et les modèles à risque systémique, et constitue une bonne pratique pour tout système utilisé dans le reporting ESG.
Garde-fous de sécurité IA
Ensemble de filtres, règles et mécanismes techniques appliqués avant, pendant ou après l'inférence d'un modèle d'IA pour limiter les comportements indésirables (contenus toxiques, hallucinations, fuites de données, instructions dangereuses). Les guardrails peuvent être intégrés au modèle (input/output filtering) ou déployés en couches autour de l'application (policy engine, PII detection). Ils sont essentiels pour la conformité AI Act et l'intégrité du reporting ESG.
Pollution par contenus IA de basse qualité
L'AI slop est l'équivalent du spam généré par l'intelligence artificielle : des textes ou images produits en masse, souvent de mauvaise qualité, qui encombrent le web et les rapports. Contenu généré massivement par l'IA, de faible qualité, peu original ou trompeur, qui pollue le web, les réseaux sociaux et les bases de données. L'AI slop pose un risque de désinformation, de dégradation des corpus d'entraînement futurs (model collapse) et de greenwashing lorsque des contenus ESG sont produits sans validation humaine.