Chez Octopize, nous avons fait un choix assumé : celui de la transparence et de la maîtrise.
Alors que beaucoup s’appuient sur des modèles génératifs de type GAN ou LLM pour produire des données synthétiques, nous avons choisi une approche statistique explicable.
Un choix fondamental pour garantir la qualité, la conformité et la robustesse des données générées.
Comprendre plutôt que deviner
Les modèles génératifs fonctionnent comme des boîtes noires. Ils produisent des données à partir d’un apprentissage complexe. Bien que séduisante, cette approche ne permet pas de comprendre et d’expliquer la logique utilisée pour produire ces résultats.
Lorsqu’il s’agit de générer des données synthétiques, cette opacité empêche de maîtriser le signal statistique et donc d’assurer la fidélité des données produites.
Notre approche statistique, elle, repose sur la compréhension et la maîtrise du procédé.
Nous savons comment chaque donnée avatar est générée et pouvons adapter la méthode à chaque cas d’usage afin de préserver les propriétés importantes.
Ainsi, nous gardons un contrôle total sur les transformations appliquées et vérifions que les jeux de données générés soient fiables, équilibrés et scientifiquement cohérents.
Conformité et traçabilité : un prérequis
Sur le plan réglementaire :
- Une donnée synthétique reste une donnée personnelle jusqu’à preuve du contraire.
- Tout modèle entraîné à partir de données personnelles reste une donnée personnelle au sens du RGPD.
Pour être considérée comme anonyme, une donnée doit faire preuve d’une impossibilité de réidentification avec des moyens raisonnables (considérant 26). Techniquement, cette mesure du risque de réidentification doit s’appuyer sur trois critères identifiés par le CEPD (Comité Européen de la Protection des Données), et être systématiquement documentée.
Notre approche individu-centrée intègre nativement des scénarios d’attaque de l’état de l’art pour évaluer ces risques de façon technique et fournir une preuve de conformité réglementaire.
À l’inverse, les modèles génératifs sont vulnérables à des attaques spécifiques (comme les membership inference attacks), rendant l’évaluation du risque plus complexe et plus coûteuse.
Performance et robustesse
Les modèles génératifs exigent des volumes importants de données d’entrainement, des ressources massives et peuvent converger vers des résultats biaisés.
De part sa construction algorithmique, notre méthode est :
- 25 fois plus rapide,
- scalable, adaptée aux petits comme aux grands jeux de données,
- et robuste, car indépendante des biais des algorithmes d’apprentissage profond.
En résumé
La méthode Avatar repose sur un principe simple :
“Comprendre pour maîtriser, maîtriser pour faire confiance.”
Nous préférons une approche transparente, explicable et vérifiable à une génération opaque, aussi puissante soit-elle.
Pour aller plus loin : lire notre article scientifique sur la méthode
