Dernière mise à jour :
La pratique consistant à capturer et à conserver des données descriptives (telles que la provenance des données, la définition des variables ou les paramètres des modèles) afin de garantir la traçabilité et de faciliter les audits.
Mise en œuvre de registres de métadonnées qui collectent des informations sur la traçabilité (jeux de données sources, étapes de transformation), des catalogues de caractéristiques (définitions, types de données), des artefacts de modèles (hyperparamètres, versions du code d'apprentissage) 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 rapport permettant aux parties prenantes de mener des audits et des analyses d'impact.
Exemple concret :
Une plateforme de ML pharmaceutique utilise un registre de métadonnées pour consigner : les versions des ensembles de données, les scripts d'ingénierie des caractéristiques (features), les commits Git d'entraînement des modèles et les horodatages de déploiement. Lorsque les performances d'un modèle chutent, les analystes interrogent ce registre de métadonnées pour identifier avec précision les modifications de données ou de code à l'origine de cette baisse.
