Données synthétiques : entraîner une IA avec des exemples fabriqués
Les données synthétiques sont des exemples créés artificiellement, le plus souvent par un autre modèle d'IA, plutôt que collectés dans le monde réel. On les utilise pour entraîner, affiner ou tester un modèle quand les vraies données sont rares, coûteuses ou trop sensibles.
Données au 22 octobre 2026
L'essentiel en chiffres
| Niveau | Intermédiaire |
|---|
Définition simple
Un modèle apprend à partir d’exemples : ses données d’entraînement. Quand ces exemples manquent, on peut les fabriquer. Les données synthétiques sont des textes, images, tableaux ou dialogues générés par un programme, aujourd’hui souvent par un grand modèle de langage, pour ressembler à des données réelles.
Un exemple concret
Une PME veut un assistant qui trie ses tickets de support en dix catégories, mais elle ne dispose que de 200 tickets annotés. Elle demande à un grand modèle d’écrire 5 000 tickets variés : clients pressés ou polis, fautes de frappe, demandes mélangées. Après une relecture par échantillons, elle utilise ce lot pour l’affinage d’un petit modèle de langage, puis mesure le résultat sur ses vrais tickets.
Le même principe existe à grande échelle. En juin 2023, une équipe de recherche a présenté phi-1, un modèle de code de 1,3 milliard de paramètres entraîné notamment sur environ 1 milliard de tokens de manuels et d’exercices générés avec GPT-3.5, en complément de 6 milliards de tokens sélectionnés sur le web.
Pourquoi ça compte
Les données synthétiques répondent à trois problèmes : la rareté (cas rares, langues peu représentées), le coût (l’annotation humaine est lente et chère) et la confidentialité (éviter d’exposer des dossiers clients réels). Elles sont aussi au cœur de la distillation, où un grand modèle produit les exemples qui servent à entraîner un modèle plus petit.
Erreurs et idées reçues fréquentes
- « Plus il y en a, mieux c’est. » Un gros volume d’exemples répétitifs apprend peu. La variété et l’exactitude comptent davantage que la quantité.
- « Un modèle peut s’entraîner indéfiniment sur ses propres productions. » Une étude de Shumailov et ses coauteurs, publiée en 2023, montre qu’entraîner des modèles génération après génération sur des données générées appauvrit leurs résultats : c’est l’effondrement de modèle.
- « Synthétique veut dire sans risque. » Les erreurs et les biais du modèle générateur se transmettent aux données, puis au modèle entraîné.
Termes voisins : données d’entraînement, distillation, affinage, effondrement de modèle.
Termes liés
- Données d'entraînement · Ensemble des exemples (textes, images, sons…) dont un modèle d'IA se sert pour apprendre ; il façonne ce qu'il sait et ses défauts.
- Effondrement de modèle · Dégradation progressive de modèles entraînés, génération après génération, sur des contenus produits par d'autres modèles plutôt que par des humains.
- Distillation (de connaissances) · Technique qui entraîne un petit modèle « élève » à imiter les réponses d'un grand modèle « professeur » pour le rendre plus léger.
- Fine-tuning (affinage) · Poursuite de l'entraînement d'un modèle déjà entraîné sur un petit jeu d'exemples ciblés, pour l'adapter à une tâche, un style ou un format.
- Petit modèle de langage (SLM) · Modèle de langage compact, assez léger pour tourner sur un ordinateur ou un téléphone, efficace sur des tâches ciblées plutôt que générales.
Tout le glossaire
Questions fréquentes
Les données synthétiques sont-elles fausses ?
Elles sont fabriquées, pas mensongères : ce sont des exemples plausibles créés pour imiter une situation réelle. Leur valeur dépend de leur exactitude, de leur variété et du contrôle qualité appliqué avant usage.
Remplacent-elles complètement les données réelles ?
Rarement. Elles complètent en général un socle de données réelles, qui sert aussi à vérifier que le modèle fonctionne sur de vrais cas. Un test final sur des exemples réels reste indispensable.
Les données synthétiques sont-elles anonymes ?
Pas automatiquement. Un modèle générateur peut reproduire des fragments des données sur lesquelles il a été entraîné. Si des données personnelles sont en jeu, faites vérifier la démarche par la personne chargée de la conformité.
Comment les génère-t-on ?
Le plus souvent en demandant à un grand modèle de langage de produire des exemples selon un cahier des charges précis (thème, ton, difficulté, format), puis en filtrant les résultats, parfois avec un second modèle qui les note.
Sources des données
Données au 22 octobre 2026
Signaler une erreur
Un chiffre, une date ou une information vous semble faux ? Dites-le-nous : chaque signalement est vérifié.