Ces derniers temps, il semble que tout puisse être résolu grâce à l’intelligence artificielle (IA). Et c’est en partie vrai : l’IA peut aider à classer, prédire, détecter des anomalies ou résumer des informations avec une efficacité impressionnante. 

Cependant, il y a une question qui ne fait presque jamais la une des journaux : l’IA ne corrige pas les données déficientes, au contraire, elle les amplifie généralement. Si les données sont le carburant, leur qualité est l’huile qui lubrifie le moteur et l’empêche de tomber en panne. 

Dans le domaine de la recherche biomédicale, des biobanques, des laboratoires et des animaleries, cela a des implications critiques. Des données incorrectes ou incomplètes peuvent entraîner des décisions erronées, des pertes de traçabilité, des répétitions de travail ou des conclusions scientifiques peu fiables. 

Si l’IA se nourrit de ce « bruit », elle peut générer des résultats apparemment convaincants, mais profondément erronés. NorayBio conçoit ses solutions précisément pour garantir cette traçabilité et ce contrôle : de la gestion intégrale des animaleries avec AniBio, aux échantillons avec NorayBanks ou aux processus des comités d’éthique grâce à NorayDocs. 

Qu’est-ce que la qualité des données dans la pratique ? 

Il ne s’agit pas d’accumuler beaucoup de données ni de les organiser dans des feuilles de calcul. La qualité implique que chaque donnée réponde à des normes minimales lorsqu’elle est utilisée pour prendre des décisions ou effectuer une analyse.  

Les piliers fondamentaux d’une donnée de qualité seraient donc les suivants : 

• Exactitude. Reflète-t-elle la réalité ? 
• Complétude. Comprend-elle tous les champs essentiels ? 
• Cohérence. Est-elle cohérente avec le reste des informations ? 
• Unique. Évite-t-elle les doublons ? 
• Ponctualité. Est-elle disponible quand j’en ai besoin ? 
• Lignée. Leur origine, leurs modifications et les personnes responsables sont-elles connues ? 

Dans notre secteur, la lignée ne devrait pas être un élément facultatif : elle fait la différence entre une confiance absolue et un doute permanent. 

Le risque : quand l’IA se met à « deviner » 

L’IA excelle dans la recherche de modèles, mais si ceux ci sont contaminés, elle peut commettre différentes erreurs : 

• Doublons. Un échantillon enregistré deux fois apparaît comme « deux événements », et l’IA apprend que cela se produit plus souvent que dans la réalité. 
• Champs vides. L’IA remplit les blancs « à l’œil » (par probabilité). Parfois, elle trouve la bonne réponse, parfois elle invente. 
• Incohérences. Si le même concept apparaît sous différents noms, l’IA considère qu’il s’agit de choses différentes. 
• Erreurs systématiques. Si une équipe ou un processus génère un biais, l’IA le normalise et le reproduit. 

Il en résulte des rapports soignés et des prévisions « fiables » reposant sur des bases instables. Comme le dit l’adage : si l’on entre des données erronées, on obtient des résultats erronés, et l’IA ne fait qu’accélérer le processus. 

Pourquoi est-ce plus important que jamais ? 

Auparavant, une donnée erronée affectait une consultation, un rapport ou une décision ponctuelle.  

Aujourd’hui, avec l’IA : 

• Tout est réutilisé. Une même donnée alimente les modèles, les tableaux de bord, les automatisations et les audits. 
• L’impact est amplifié. Une petite erreur se répercute sur mille sorties. 
• On perd son « flair ». Quand une « machine » l’affirme avec certitude, on a tendance à y croire davantage. 

Par conséquent, si votre organisation souhaite utiliser l’intelligence artificielle, voici les trois étapes à suivre : Qualité des données, gouvernance, IA (de façon cohérente). 

Ne manquez pas la deuxième partie dans notre prochaine newsletter. 

➡️ Pratiques concrètes pour garantir la qualité des données, indicateurs clés et comment la culture des organisations fait la différence.