Pourquoi la juridiction des données a sa place dans votre pipeline d’entraînement d’IA

Une équipe de robotique livre une politique de manipulation qui, enfin, généralise. La pince s’ouvre au signal, le bras se rétablit après une poussée, la vidéo de démonstration paraît impeccable. Six mois plus tard, l’équipe juridique d’un partenaire pose une question à laquelle les ingénieurs ne peuvent répondre : pour chaque séquence du mélange d’entraînement, qui l’a enregistrée, sous quel consentement, et quelle loi nationale régit sa réutilisation. La politique fonctionne. La trace documentaire, elle, n’existe pas. Ce silence n’est pas une note de bas de page juridique. C’est un défaut du pipeline de données.

L’apprentissage robotique est devenu une discipline de provenance des données sans que la plupart des équipes s’en aperçoivent. Les modèles de manipulation modernes s’entraînent sur des mélanges agrégés, non sur un corpus unique et propre. Open X-Embodiment a regroupé des trajectoires provenant de plus de 20 morphologies de robots, contribuées par 21 institutions. DROID a rassemblé environ 76 000 épisodes téléopérés répartis dans 52 bâtiments sur trois continents. Ego4D a ajouté de l’ordre de 3 600 heures de vidéo humaine à la première personne, enregistrée par des centaines de participants dans neuf pays. Chaque tranche arrive avec sa propre licence, son propre périmètre de consentement, sa propre juridiction. Mélangez-les, et vous héritez de tout cela d’un seul coup.

L’EU AI Act, en vigueur depuis 2024, transforme cet héritage en une surface de conformité assortie d’échéances. Le réflexe est de le classer au service juridique. C’est se tromper de bureau. La provenance est une propriété que l’on capture au moment de l’enregistrement, ou que l’on reconstruit après coup, à grands frais et, souvent, sans y parvenir. C’est une contrainte d’ingénierie qui se trouve porter une disposition légale.

Pourquoi le mélange masque le problème

L’agrégation est ce qui rend ces jeux de données puissants et ce qui les rend difficiles à gouverner. Une politique entraînée sur un mélange de données de bras téléopérés et de vidéo humaine égocentrique n’enregistre pas quelles images ont enseigné quel comportement. Lorsqu’un contributeur retire son consentement, ou qu’une sous-licence se révèle interdire l’usage commercial, il n’existe aucun moyen propre de soustraire ces gradients d’un checkpoint entraîné. Vous ré-entraînez, ou vous assumez le risque. Le coût d’un défaut de provenance n’est pas linéaire. C’est le coût de l’exécution complète qui a touché les données défectueuses. La révocation n’a rien d’hypothétique : selon les règles européennes de protection des données, un participant peut demander l’effacement de ses données, et si ses images sont déjà incrustées dans un modèle livré, honorer cette demande relève d’un problème de recherche, non d’une requête de suppression.

Les fiches de données aident, mais elles décrivent des corpus, pas des séquences. Open X-Embodiment documente les licences au niveau du jeu de données ; les épisodes individuels qu’il contient ont été collectés selon des règles propres à chaque laboratoire, qui accompagnent rarement les tenseurs. Une fois que tout est sérialisé dans le même shard LeRobot ou TFRecord, la juridiction d’origine a disparu, à moins que quelqu’un ne l’ait délibérément conservée.

Ce que l’EU AI Act exige réellement des données d’entraînement

Une fois écartés les niveaux de risque, le règlement formule trois exigences concrètes qui retombent directement sur l’équipe chargée des données. Les fournisseurs de modèles d’IA à usage général doivent conserver une documentation technique des données d’entraînement, publier un résumé suffisamment détaillé du contenu utilisé, et maintenir une politique de respect du droit d’auteur de l’UE et des exclusions relatives à la fouille de textes et de données. Les obligations relatives à l’usage général ont commencé à s’appliquer le 2 août 2025, et le résumé du contenu suit un modèle publié par l’AI Office. Rien de tout cela ne peut être satisfait à partir d’un simple checkpoint de modèle. Cela exige un relevé, tenu en amont, de ce qui y est entré.

Lisez la présentation officielle et le postulat est clair : vous êtes en mesure de décrire vos données d’entraînement sur demande. Si le pipeline a écarté la provenance au moment de l’ingestion, cette description tourne à l’archéologie.

La provenance est une propriété que l’on capture au moment de l’enregistrement, ou que l’on reconstruit à perte. Il n’y a pas de troisième option, et aucun checkpoint ne se souvient d’où proviennent ses gradients.

Ce que les jeux de données publics portent réellement

Les jeux de données vers lesquels une équipe de robotique est la plus susceptible de se tourner diffèrent nettement par la quantité d’origine qu’ils conservent. La règle qui compte : plus les données sont humaines, plus la charge de consentement est lourde, et plus de juridiction accompagne chaque image.

Faire de la provenance une étape du pipeline, non une revue juridique

La solution n’a rien de glamour, et elle fonctionne. Attachez un enregistrement de lignage à chaque épisode au moment de la capture : rig source, identifiant haché de l’opérateur ou du sujet, version du consentement, juridiction d’enregistrement et classe de licence. Faites voyager cet enregistrement à travers chaque conversion de format, comme un pair de première classe des tenseurs d’image et d’action, et non comme un README relégué de côté. Faites cela, et le résumé des données d’entraînement exigé par l’UE cesse d’être un projet. Il devient une requête. Le stockage est la partie bon marché : une ligne de lignage représente quelques centaines d’octets face à des gigaoctets de vidéo, et cette asymétrie constitue tout l’argument. Payez le petit coût à la capture, ou payez le grand à l’audit.

La même discipline porte ses fruits en dehors de la conformité. Lorsqu’un partenaire en aval demande si un checkpoint peut être déployé sur un marché donné, les métadonnées de provenance répondent en quelques minutes. Sans elles, la réponse honnête est un haussement d’épaules, et un haussement d’épaules ne franchit pas le service achats.

La complication égocentrique

La démonstration humaine à la première personne est le signal le plus riche pour apprendre aux robots comment les humains manipulent réellement le monde, et c’est là que la juridiction mord le plus fort. Une caméra montée sur la tête enregistre des visages, des passants, des cuisines, des numéros de rue, des écrans. Dans l’UE, il s’agit de données à caractère personnel, et le consentement doit être spécifique, éclairé et révocable. La juridiction aggrave la situation, car des séquences enregistrées dans un pays et utilisées pour l’entraînement dans un autre peuvent relever de deux régimes à la fois. Ego4D et Ego-Exo4D gèrent cela au moyen d’accords de participants signés et de passes de désidentification, précisément parce que les séquences brutes sont juridiquement radioactives sans elles. Toute équipe qui collecte des données égocentriques à grande échelle exploite un système de gestion du consentement, qu’elle l’admette ou non. Le seul choix est de savoir s’il est conçu ou improvisé.

Ce que cela change pour les bâtisseurs

Les modèles continueront de s’améliorer. La question qui décide si un checkpoint peut être livré est ennuyeuse et se situe en amont : pouvez-vous dire, séquence par séquence, d’où viennent les données et ce que vous avez le droit d’en faire. Les équipes qui répondent au moment de la capture avancent vite. Les équipes qui répondent au stade de la divulgation ré-entraînent. La provenance n’est pas une taxe sur le pipeline. Ces derniers temps, elle est le pipeline.