Le démarrage de nombreuses stratégies en intelligence artificielle repose sur la constitution de vastes ensembles de données. La disponibilité de données est cruciale pour de nombreux usages et applications, ce qui explique par exemple le développement moindre du traitement automatique du langage français par rapport à l’anglais. De même, les traductions du français vers des langues moins courantes, comme le thaï, sont moins efficaces en raison du manque de corpus de textes franco-thaïlandais.
Si les données brutes sont nécessaires, leur valeur est décuplée lorsqu’elles sont structurées et annotées pour être utilisées par les techniques d’intelligence artificielle. L’enrichissement et l’annotation des jeux de données sont essentiels pour le machine learning, mais ces opérations sont souvent longues, exigeantes en ressources humaines et financières. Ainsi, le crowdsourcing est souvent utilisé pour collecter et annoter ces données, notamment via des plateformes de microtâches comme Amazon Mechanical Turk.
Les applications générales d’intelligence artificielle s’appuient souvent sur des corpus de domaine public, tandis que dans les domaines industriels, la collecte et l’annotation de données sont des enjeux stratégiques, bien que fastidieux.
Les données représentent un avantage compétitif majeur dans la course mondiale à l’intelligence artificielle. Cependant, il est important de noter que la taille des données n’est pas toujours le facteur déterminant. Des ensembles de données moins volumineux, qualifiés de « small data », peuvent conduire à des performances significatives s’ils sont associés à des modèles pertinents.
