Pratiques et outils pour capturer, organiser et partager les connaissances organisationnelles (par exemple, la documentation des modèles, les journaux d'audit) afin d'assurer la reproductibilité et la supervision.
Un ensemble de processus — wikis, registres de modèles, catalogues de données, référentiels d’historique de formation — qui consignent systématiquement chaque artefact et chaque décision tout au long du cycle de vie de l’IA. La gestion des connaissances garantit que les modèles peuvent être retracés jusqu’à leurs sources de données, leurs hyperparamètres et leurs examens d’audit. La gouvernance impose des normes de métadonnées, le contrôle de version et des politiques de conservation afin que les audits futurs, les mises à jour de modèles ou les demandes réglementaires puissent être traités de manière efficace et transparente.
Un assureur mondial utilise une plateforme de gestion des connaissances basée sur MLflow, où chaque exécution de modèle consigne son commit de code, l’ID de version des données, les hyperparamètres, les métriques d’évaluation et les commentaires des réviseurs. Lorsque les autorités de régulation demandent l’historique de développement de leur IA de scoring de fraude, l’équipe récupère la piste d’audit complète en quelques minutes — démontrant ainsi la reproductibilité et la conformité.
