À qui s’applique l’article 10
L’article 10 fixe des exigences en matière de données et de gouvernance des données pour les systèmes d’IA à haut risque, catégories définies par le règlement. Les obligations pèsent principalement sur le fournisseur, l’organisation qui développe le système ou le fait développer et le met sur le marché ou le met en service sous son propre nom ou sa propre marque. Si votre système n’est pas à haut risque, l’article 10 ne s’applique pas directement, mais les mêmes pratiques rendent les modèles plus fiables. Vérifiez les dates d’application actuelles sur l’AI Act Service Desk de la Commission européenne.
Ce qu’il exige
Les jeux de données d’entraînement, de validation et de test doivent faire l’objet de pratiques de gouvernance et de gestion des données adaptées à la destination du système. L’article 10, paragraphe 2, énumère ce que ces pratiques concernent, notamment les choix de conception, la collecte et l’origine des données, les opérations de préparation comme l’annotation, l’étiquetage et le nettoyage, les hypothèses sur ce que les données représentent, l’évaluation de leur disponibilité, quantité et adéquation, l’examen des biais possibles et les mesures pour y remédier, et l’identification des lacunes.
L’article 10, paragraphe 3, ajoute : « Les jeux de données d’entraînement, de validation et de test sont pertinents, suffisamment représentatifs et, dans toute la mesure possible, exempts d’erreurs et complets au regard de la destination. »
Le texte modifié affiché sur l’AI Act Service Desk (consulté le 12 octobre 2026) ne contient plus le paragraphe 5 sur le traitement de catégories particulières de données personnelles pour détecter les biais ; l’article renvoie désormais à l’article 4 bis, paragraphe 1. Lisez le texte en vigueur avant de vous fier à un résumé, y compris celui-ci.
Une liste de contrôle pratique
- Destination : écrivez à quoi sert le système et ce que les données doivent représenter.
- Origine : notez d’où vient chaque jeu de données et, pour les données personnelles, pourquoi elles ont été collectées.
- Préparation : consignez chaque étape de nettoyage, d’annotation et de filtrage avec les règles utilisées.
- Erreurs : vérifiez les fichiers corrompus, les doublons entre les découpages, le flou, la vidéo figée et les autres défauts, et notez constats et décisions.
- Représentativité et biais : comparez les données avec les personnes et contextes visés, et notez les lacunes.
- Données personnelles : les trouver, clarifier la base légale, minimiser.
- Preuve : conservez la documentation avec la version du modèle.
Ce que les outils peuvent faire, et ce qu’ils ne font pas
Les contrôles automatiques aident pour les erreurs, les doublons et les données personnelles, et produisent une trace de ce qui a été vérifié. Ils ne décident pas si les données sont représentatives pour votre usage et ne rendent pas un système conforme. Ce guide fournit des informations générales et ne constitue pas un conseil juridique.