La pratique de capture et de maintien de données descriptives (par exemple, provenance des données, définitions des fonctionnalités, paramètres de modèle) pour soutenir la traçabilité et les audits.
Mise en œuvre de registres de métadonnées qui collectent des informations de lignage (jeux de données sources, étapes de transformation), des catalogues de caractéristiques (définitions, types de données), des artefacts de modèles (hyperparamètres, versions du code d’entraînement) et des journaux d’utilisation. La gouvernance impose la capture obligatoire des métadonnées à chaque étape du pipeline, intègre des contrôles de validation des métadonnées et fournit des interfaces de recherche et de reporting permettant aux parties prenantes de mener des audits et des analyses d’impact.
Une plateforme de ML pharmaceutique utilise un magasin de métadonnées pour consigner : les versions des jeux de données, les scripts d’ingénierie des caractéristiques, les commits Git d’entraînement des modèles et les horodatages de déploiement. Lorsque les performances d’un modèle diminuent, les analystes interrogent le magasin de métadonnées afin d’identifier précisément les modifications de données ou de code responsables.
