Les données de votre entreprise sont-elles prêtes pour l’entraînement de modèles d’IA personnalisés ?

Selon l’IBM Institute for Business Value, seulement 29 % des responsables technologiques estiment que les données de leur entreprise répondent aux exigences de qualité, d’accessibilité et de sécurité nécessaires pour déployer l’IA générative à grande échelle. Pour les équipes créatives et marketing qui explorent les modèles d’IA personnalisés, cet écart a des répercussions concrètes. Un modèle entraîné sur des visuels de campagne incohérents, des ressources de marque obsolètes ou des fichiers aux droits d’usage incertains risque de produire des résultats non conformes aux standards de la marque, d’exiger de lourdes retouches ou de faire peser des risques sur la gouvernance. Avant d’entraîner un modèle personnalisé à générer des visuels conformes à l’identité de marque, les équipes doivent évaluer si leurs ressources existantes sont à la hauteur des résultats attendus.

Cette évaluation repose sur quatre métriques : la qualité, la quantité, la préparation et la gouvernance. Chacune d’elles détermine la capacité d’un modèle à apprendre à partir des ressources disponibles et à produire des résultats exploitables dans les flux de travail créatifs.

Cet article aborde les points suivants :

• Qu’est-ce qu’une donnée adaptée à l’IA ?
• Évaluation de la qualité des données pour l’entraînement de modèles d’IA personnalisés
• Volume de ressources et étendue créative
• Préparation des ressources avant l’entraînement de modèles d’IA personnalisés
• Sécurité des données et gouvernance
• Comment poser des bases solides pour l’entraînement de modèles d’IA personnalisés

Une donnée adaptée à l’IA est précise, cohérente, pertinente et exploitable dans le cadre du machine learning. Dans le contexte de l’entraînement de modèles d’IA personnalisés, cela signifie que les ressources doivent être suffisamment solides pour apprendre à un modèle les patterns, les styles et les standards nécessaires à la production de contenus conformes à l’identité de marque.

Les équipes créatives en entreprise commencent souvent l’entraînement de leurs modèles d’IA personnalisés avec les ressources dont elles disposent déjà : bibliothèques de campagnes, photographies de produits, fichiers de design et visuels de marque validés, stockés dans un système de gestion des ressources numériques (DAMS). Un tel système permet de rendre ces ressources consultables, organisées et plus faciles à partager entre les équipes. Cependant, disposer d’un accès aisé aux visuels est une chose ; savoir si ces ressources constituent de bons candidats pour entraîner un modèle d’IA personnalisé en est une autre.

Cette distinction est essentielle, car les modèles d’IA génératifs personnalisés diffèrent des modèles de base à usage général. Ces derniers sont entraînés pour couvrir un large spectre de sujets, de styles et de cas d’usage. Les modèles personnalisés, quant à eux, visent la précision. Ils nécessitent un jeu de données ciblé, qui reflète fidèlement le langage visuel de la marque, ses standards créatifs et les types de résultats attendus.

Un DAM est généralement conçu pour aider les équipes à trouver et à distribuer des contenus créatifs finalisés. Un jeu de données d’entraînement remplit une fonction bien différente : il doit apprendre à un modèle quels schémas visuels retenir, reproduire et privilégier. Les ressources doivent donc refléter précisément le type de contenu que le modèle est censé générer, et non l’intégralité de ce que la marque a produit.

Pour l’IA générative visuelle, la préparation dépend étroitement des cas d’usage. Un jeu de données conçu pour générer des photos lifestyle n’obéit pas aux mêmes exigences que celui destiné aux visuels produits, aux concepts de campagne, aux déclinaisons pour les réseaux sociaux ou aux créations localisées. Une vaste collection de ressources de marque peut sembler constituer un point de départ logique, mais les données d’entraînement requièrent un filtre bien plus sélectif. Le jeu de données doit renforcer les schémas visuels que le modèle est censé apprendre.

La qualité des données IA va bien au-delà du rendu visuel d’une image. Les équipes en entreprise doivent s’assurer que chaque ressource contribue réellement à faire apprendre au modèle les bons schémas créatifs.

Pour les données d’entraînement créatives et visuelles, la qualité se mesure à leur utilité concrète. Une image peut être réalisée de manière professionnelle et rester inadaptée à l’entraînement si elle présente des gammes de produits abandonnées, des éléments de marque obsolètes, des environnements qui ne correspondent plus au positionnement actuel, ou des styles visuels en contradiction avec l’identité de la marque.

Une revue qualité rigoureuse permet aux équipes de distinguer les ressources disponibles de celles qui sont réellement utiles à l’entraînement de modèles IA personnalisés. Quatre domaines méritent une attention particulière :

• Exactitude et pertinence pour la marque. Les ressources d’entraînement doivent refléter l’image actuelle de la marque. Il convient d’exclure les ressources issues de campagnes abandonnées, de systèmes de marque dépassés, d’anciens packagings produits, de traitements de logo antérieurs ou de directions créatives qui ne correspondent plus à la réalité de l’entreprise. Les métadonnées peuvent aider à identifier les dates, les marchés, les campagnes et l’historique d’utilisation, mais les équipes créatives et de marque doivent tout de même vérifier que chaque ressource est en adéquation avec le résultat souhaité.
• Cohérence visuelle. Examinez les ressources sous l’angle de la cohérence : éclairage, composition, étalonnage des couleurs, angle de prise de vue, traitement des arrière-plans, cadrage des sujets, résolution et qualité des fichiers. Par exemple, un jeu de données destiné à enseigner un style de photographie produit épuré ne devrait pas s’appuyer massivement sur des photos lifestyle avec des ombres marquées, des arrière-plans texturés ou des incrustations saisonnières. Ces ressources peuvent être pertinentes dans d’autres contextes, mais elles risquent d’affaiblir la cohérence du jeu d’entraînement.
• Couverture et diversité. La couverture du jeu de données doit refléter l’ensemble des usages auxquels le modèle est destiné. Un modèle entraîné principalement sur une seule gamme de produits, un seul marché ou un seul style de campagne peut donner de bons résultats dans ce contexte, mais peiner face à des variations plus larges. Les équipes doivent vérifier que le jeu de données comprend le bon équilibre de produits, de formats, de régions, d’audiences, de saisons et de cas d’usage, en fonction de l’utilisation prévue du modèle.
• Qualité des données et exclusions. Un jeu de données d’entraînement propre exclut les ressources susceptibles de générer des résultats indésirables ou d’exposer l’entreprise à des risques juridiques. À exclure : les images avec filigranes, les licences de contenu non clarifiées, les mentions légales obsolètes, les incrustations de texte, les textes indicatifs visibles, les logos déformés ou les marques tierces présentant des incohérences. Les textes intégrés méritent une attention particulière, car le modèle risque d’en assimiler les titres et de les reproduire dans le style visuel, en y intégrant du contenu éditorial ou promotionnel.

Le volume de données d’entraînement nécessaire pour les modèles d’IA personnalisés varie selon le cas d’usage du modèle, la complexité des résultats attendus, le niveau de variation créative requis et la précision des standards de marque.

Un modèle à périmètre restreint peut donner de bons résultats avec un jeu de données plus petit et plus ciblé. Par exemple, un modèle conçu pour générer des visuels produit cohérents n’a pas besoin du même volume ni de la même diversité qu’un modèle destiné à alimenter des concepts de campagne à travers différentes régions, saisons, audiences et canaux. L’essentiel est que le jeu de données offre au modèle une couverture suffisante pour soutenir les productions qui lui seront confiées.

Le volume seul peut être trompeur. Un jeu de données comptant des centaines d’images produit quasi identiques peut sembler conséquent, mais sa valeur pour l’entraînement reste limitée. Lorsque les données sources sont trop réduites ou trop répétitives, les résultats peuvent se rapprocher excessivement des ressources originales ou manquer de diversité pour une utilisation en campagne.

Les équipes disposant d’un volume de ressources limité peuvent enrichir un jeu de données solide par des variations contrôlées : recadrages validés, compositions alternatives, réglages d’éclairage ou prises de vue sous différents angles. Ces ajouts sont particulièrement efficaces lorsqu’ils contribuent à préciser les résultats attendus du modèle.

Une approche progressive permet également de limiter les risques. Commencez par un ensemble de ressources soigneusement sélectionnées et à haute valeur de confiance, entraînez un premier modèle, puis analysez les lacunes dans les résultats obtenus. Ce premier cycle de tests permet de déterminer si le jeu de données nécessite davantage de diversité produit, des arrière-plans plus nets, des angles supplémentaires, des exemples régionaux plus variés ou un filtrage plus rigoureux des éléments de marque.

Les données d’entraînement doivent faire l’objet d’une curation rigoureuse avant d’alimenter un modèle d’IA personnalisé. Une bibliothèque de ressources généraliste peut receler de nombreuses créations de qualité, mais un jeu de données d’entraînement exige une structure plus ciblée et réfléchie. Les équipes doivent savoir quelles ressources intégrer au jeu de données, pour quelles raisons et selon quels critères les autres ont été écartées.

Commencez par définir le cas d’usage visé par le modèle. Un modèle destiné aux pages de détail produit, aux déclinaisons pour les réseaux sociaux payants, aux concepts de campagne ou aux illustrations de personnages nécessitera des sources différentes. Les critères de sélection doivent prendre en compte la conformité aux directives de marque en vigueur, le style de rendu attendu, la couverture produit, les exigences de format, les droits d’utilisation et la pertinence régionale. Cette démarche évite que le jeu de données ne devienne un simple dossier fourre-tout regroupant toutes les créations disponibles.

Une fois les ressources sélectionnées, leur organisation doit faciliter l’entraînement et la gestion future du modèle. Les conventions de nommage, les métadonnées et les taxonomies doivent rendre le jeu de données facile à parcourir, à mettre à jour et à auditer. Les métadonnées pertinentes peuvent inclure le nom de la campagne, la région, la catégorie de produit, le type de ressource, la date de création, le statut de validation, les droits d’utilisation, l’agence ou le photographe, l’audience cible, le canal et le style de marque.

Une organisation rigoureuse facilite également le réentraînement. À mesure que les produits, les campagnes et les standards de marque évoluent, les équipes peuvent avoir besoin d’enrichir le modèle avec de nouvelles ressources ou d’en retirer d’anciennes. Un jeu de données bien structuré simplifie ces mises à jour, sans avoir à tout reconstruire de zéro.

La validation des droits doit intervenir avant l’intégration de toute ressource dans le jeu de données d’entraînement. Les équipes doivent s’assurer que chaque ressource est approuvée pour l’entraînement de l’IA, et pas seulement pour la diffusion en campagne. Ce point est particulièrement critique pour les banques d’images, les créations produites par une agence, les contenus d’influenceurs, les photos de personnalités, les œuvres sous licence et les ressources contenant des marques tierces.

La préparation doit également impliquer les équipes chargées de la qualité créative, de la gouvernance de marque, de la gestion des risques juridiques et des contrôles techniques. Les équipes créatives peuvent identifier les ressources qui correspondent au style attendu. Les équipes de marque peuvent confirmer l’alignement avec les directives en vigueur. Les équipes juridiques peuvent valider les autorisations et les droits. Les équipes informatiques ou de gouvernance peuvent examiner les exigences en matière de sécurité, d’accès et de stockage. Impliquer les parties prenantes dès le début réduit le risque de découvrir des problèmes liés aux ressources, aux droits ou à la gouvernance une fois l’entraînement du modèle d’IA personnalisé déjà lancé.

La gouvernance des données pour l’IA doit être intégrée au processus d’entraînement des modèles dès le départ. Une fois un modèle personnalisé entraîné, les questions relatives aux droits sur les ressources, aux accès, à la traçabilité et à la validation des résultats deviennent bien plus difficiles à traiter.

Chaque jeu de données d’entraînement doit inclure un registre des droits précisant la propriété des ressources, les conditions de licence, les restrictions d’utilisation et le statut d’approbation pour l’entraînement IA. Il ne faut pas supposer qu’une ressource approuvée pour un usage marketing l’est également pour l’entraînement d’un modèle. Les contrats de cession de droits d'image, les contrats d'agence, les autorisations de diffusion d'images et les œuvres sous licence peuvent comporter des restrictions qui n’avaient pas été rédigées avec l’IA générative à l’esprit.

Les équipes en entreprise doivent également savoir où sont stockées les données d’entraînement, qui peut y accéder et si elles peuvent servir à entraîner des modèles partagés ou tiers. Les ressources de marque propriétaires, les visuels de produits non encore publiés et les supports de campagne à caractère confidentiel requièrent des protections spécifiques.

Les contrôles d’accès et la traçabilité des données fonctionnent de concert pour garantir la responsabilité tout au long du processus d’entraînement. Les équipes doivent définir qui peut charger des ressources, modifier des jeux de données, lancer un entraînement, examiner les résultats, approuver les modèles et les déployer dans les flux d’exploitation. Elles doivent également pouvoir retracer les ressources utilisées pour entraîner chaque version de modèle, la date de l’entraînement, l’identité des personnes ayant approuvé le jeu de données et les modifications apportées au fil du temps. Ensemble, les autorisations basées sur les rôles et les pistes d’audit réduisent le risque de modifications non autorisées, d’ambiguïté sur la propriété ou d’entraînement de modèles sur des ressources inadaptées.

Les exigences réglementaires peuvent concerner à la fois les données d’entraînement et les résultats produits. Les organisations opérant dans plusieurs régions doivent prendre en compte les législations sur la protection de la vie privée, les réglementations relatives à l’IA, les normes sectorielles et les politiques de conformité internes. Cela s’avère particulièrement important lorsque les ressources impliquent des personnes, des lieux, des réclamations liées à la santé, des informations financières ou des mentions légales propres à certaines régions.

Gouvernance de marque pour les contenus générés par l’IA

La gouvernance vise aussi à protéger l’intégrité de la marque. Un modèle peut générer des résultats rapidement, mais ces résultats doivent toujours respecter des standards clairement définis avant d’entrer dans les flux d’exploitation.

Commencez par définir des standards visuels approuvés qui précisent les caractéristiques des ressources créatives acceptables : composition, traitement des couleurs, représentation des produits, éclairage, style d’arrière-plan, mise en scène des personnes, gestion du logo et considérations régionales. Définissez ensuite des critères d’évaluation des résultats. Les personnes chargées de la révision doivent connaître les standards à respecter, les éléments nécessitant une révision et ceux devant être rejetés. Parmi les critères de rejet figurent notamment les produits déformés, les emballages inexacts, les couleurs de marque incorrectes, les traits humains irréalistes, les erreurs de texte visibles ou les visuels et vidéos en contradiction avec les directives régionales.

Les workflows de validation créative doivent inclure des chemins d’escalade clairement définis. Lorsqu’un résultat soulève des questions relatives aux droits, à l’exactitude des produits, à la représentation de la marque ou à la conformité, les réviseurs et réviseuses doivent savoir comment signaler l’anomalie et quelle équipe alerter avant que la ressource ne soit transmise. Cette approche permet aux entreprises d’accélérer la production en exploitation sans compromettre la qualité créative ni nuire à la réputation de la marque.

La préparation des données doit évoluer au même rythme que les modèles qu’elle alimente. À mesure que les équipes entraînent, évaluent, mettent à jour et supervisent des modèles d’IA personnalisés, les données d’entraînement doivent rester en phase avec les standards de la marque, les priorités créatives et les workflows d’exploitation. Un jeu de données solide aujourd’hui peut nécessiter des mises à jour dans six mois s’il ne reflète plus la direction créative actuelle ou les priorités de l’entreprise.

Pour les entreprises qui se préparent à entraîner des modèles d’IA personnalisés, le point de départ le plus efficace est une analyse ciblée de la qualité, de la quantité, de la préparation et de la gouvernance des données. Ces quatre métriques permettent aux équipes de déterminer si leurs ressources existantes sont prêtes à soutenir l’entraînement des modèles ou si des lacunes fondamentales doivent être comblées en amont.

Adobe Firefly Custom Models est conçu pour les équipes en entreprise souhaitant générer des variations d’images conformes à leur marque à partir de modèles entraînés sur leurs propres ressources. Adobe Firefly Custom Models prend en charge les workflows d’entraînement, de prévisualisation, de test, de publication, de partage, de gestion et de réentraînement de modèles personnalisés, permettant aux équipes de développer la création de contenu aligné sur la marque avec un contrôle des accès et une isolation au niveau de l’organisation.

Découvrez ce que Adobe Firefly Custom Models peut apporter aux équipes en entreprise.