Créer un catalogue de données IA avant vos projets RAG

Sur la plupart des SI que nous accompagnons, le premier projet d'IA contextuelle bute sur la même question : où sont les bonnes données, qui en est responsable et peut-on s'y fier ? Un assistant interne ou un dispositif RAG ne vaut que par les sources qu'il interroge. Le catalogue de données IA est le chantier qui répond à cette question avant d'engager des budgets de modèles.

Ce guide s'adresse au DSI et au CODIR d'une ETI. Il explique ce qu'est ce catalogue, pourquoi il conditionne vos projets d'IA et comment le mettre en place progressivement, avec des moyens réalistes.

Créer un catalogue de données IA avant vos projets RAG

1. Qu'est-ce qu'un catalogue de données IA ?

2. Pourquoi le catalogue conditionne vos projets RAG et d'IA contextuelle

3. Les métadonnées à documenter en priorité

4. Mettre en place un catalogue de données par étapes dans une ETI

5. Éviter qu'un catalogue de données devienne obsolète

6. Choisir un outil de catalogue de données

7. L'IA au service du catalogue, l'exemple de data.gouv.fr

8. Aller plus loin avec le catalogue de données IA

9. En résumé : le catalogue de données IA comme socle

10. FAQ

Temps de lecture : 10 minutes

Qu'est-ce qu'un catalogue de données IA ?

Un catalogue de données est un inventaire organisé des actifs de données d'une organisation. IBM le décrit comme un outil qui permet de découvrir, comprendre, gérer et rendre accessibles ces actifs grâce aux métadonnées, c'est-à-dire des informations qui décrivent les données sans se confondre avec leur contenu. Ces actifs peuvent être des tables, des fichiers, des documents, des rapports, des visualisations ou des modèles de machine learning, ainsi que les relations qui les unissent.

Parler de catalogue de données pour l'intelligence artificielle, c'est orienter cet inventaire vers un usage précis : documenter les jeux de données pour l'IA, qu'il s'agisse de données d'entraînement, de jeux de données d'évaluation ou des corpus documentaires qu'un assistant interroge en production.

Le catalogue ne sert plus seulement à retrouver un fichier. Il permet de juger si une source convient à un cas d'usage, de retracer ses transformations et d'appliquer des règles de gouvernance.

Un catalogue n'est pas une base de données

La différence entre catalogue de données et base de données est simple, mais elle est souvent mal comprise dans les CODIR. Une base de données stocke les données. Un catalogue de métadonnées décrit ce qui existe, où cela se trouve, ce que signifie chaque champ, d'où viennent les données et qui peut y accéder.

Le catalogue ne remplace donc ni votre ERP, ni votre entrepôt de données, ni votre GED. Il se pose au-dessus et les rend lisibles.

Catalogue pour l'IA ou catalogue enrichi par l'IA

L'expression recouvre deux réalités distinctes. La première désigne un catalogue au service des projets d'IA. La seconde, un catalogue de données enrichi par l'IA, qui utilise l'automatisation pour classer, décrire ou étiqueter les actifs.

IBM présente ces capacités comme des fonctions possibles, notamment l'enrichissement automatisé des métadonnées et le repérage des données sensibles, sans garantie universelle de qualité ou de conformité.

Comparaison entre base de données, catalogue de données et catalogue enrichi par l'IA

• Critère: Fonction principale Base de données: Stocker et restituer les données Catalogue de données: Décrire et organiser les actifs de données Catalogue enrichi par l'IA: Décrire et organiser, avec assistance automatisée

• Critère: Contenu Base de données: Les données elles-mêmes Catalogue de données: Métadonnées, glossaire métier, lignée Catalogue enrichi par l'IA: Métadonnées, plus suggestions de descriptions et de classification

• Critère: Alimentation Base de données: Applications métier Catalogue de données: Découverte des sources et saisie par les data owners Catalogue enrichi par l'IA: Découverte automatisée, propositions soumises à validation humaine

• Critère: Apport aux projets d'IA Base de données: Fournit la matière Catalogue de données: Permet de trouver, comprendre et qualifier la matière Catalogue enrichi par l'IA: Accélère la découverte des données pour l'IA

Pourquoi le catalogue conditionne vos projets RAG et d'IA contextuelle

Un dispositif RAG va chercher dans vos sources internes les passages pertinents avant de formuler une réponse. Si ces sources sont dupliquées, périmées ou mal qualifiées, l'assistant restituera fidèlement des informations fausses.

Des échecs liés avant tout aux données

Ce que nous constatons chez nos clients, c'est que l'échec d'un POC tient rarement au modèle et presque toujours aux données : trois versions d'un même référentiel produit, des procédures obsolètes encore en ligne, des dossiers partagés dont plus personne ne connaît le propriétaire.

AWS, dans la Machine Learning Lens de son Well-Architected Framework, recommande de faire du catalogue la source de référence pour la découverte des données utilisées par les charges de travail de machine learning. L'éditeur cite parmi les bénéfices attendus la réduction des travaux redondants et l'accélération du développement des modèles.

Ces bénéfices dépendent évidemment de la tenue du catalogue, mais la logique est juste : une préparation de données documentée une fois n'a pas à être refaite par l'équipe suivante.

Un levier de gouvernance et de conformité

Le catalogue sert aussi la gouvernance des données IA. En reliant chaque actif à un glossaire métier, à des règles de qualité et à des droits d'accès, il permet de savoir précisément ce qu'un assistant a le droit de lire. Pour une entreprise soumise au RGPD et qui anticipe l'AI Act, cette traçabilité est un socle, pas un luxe.

Le sujet rejoint plus largement la question de l'architecture de données que nous traitons dans notre article sur l'architecture des données pour l'IA.

Les métadonnées à documenter en priorité

Inutile de viser l'exhaustivité dès le départ. AWS recommande de définir une stratégie de métadonnées couvrant les définitions métier, la lignée, les métriques de qualité et les usages. Selon notre expérience, une fiche de jeu de données destiné à l'IA doit couvrir au minimum les rubriques suivantes :

• Identification : nom, description courte, propriétaire de la donnée (data owner) et équipe responsable.

• Contexte métier : définition métier des champs, domaine concerné et cas d'usage prévu.

• Structure : schéma et types de données, format, nature structurée ou non structurée.

• Localisation et accès : emplacement de la source, gestion des accès et des permissions.

• Provenance et lignée : origine des données et transformations appliquées.

• Qualité : résultats de profilage des données, contrôles réalisés, date de dernière mise à jour.

• Usages et sensibilité : projets qui consomment les données, présence de données sensibles ou personnelles.

Bon à savoir

La date de dernière mise à jour et le nom du propriétaire sont les deux champs les plus utiles à un projet RAG. Sans eux, impossible de savoir si une procédure est encore en vigueur ni à qui demander confirmation.

Mettre en place un catalogue de données par étapes dans une ETI

Une ETI n'a ni le budget ni les effectifs d'un grand groupe pour lancer un programme de gouvernance des données sur trois ans. La méthode que nous appliquons consiste à partir des cas d'usage, pas de l'inventaire exhaustif. Elle se déroule en huit étapes regroupées en trois temps.

Premier temps : cadrer

Définissez le périmètre à partir des deux ou trois cas d'usage d'IA prioritaires et listez uniquement les sources qu'ils mobilisent : tables de l'ERP, référentiels, documentation technique, contrats. Établissez ensuite un modèle de métadonnées simple, avec les champs obligatoires listés plus haut, rédigés de façon compréhensible par les équipes métier comme par l'IT.

C'est souvent à ce stade que la priorisation des cas d'usage, objet de notre Diagnostic IA, évite de cataloguer des données dont aucun projet n'aura besoin.

Deuxième temps : alimenter

AWS recommande d'utiliser des mécanismes de découverte automatisée des sources pour repérer schémas, types et statistiques, puis de compléter l'inventaire des actifs de données de manière systématique. L'outil fait le gros du recensement technique, les data owners apportent le sens métier.

Documentez ensuite les transformations : la lignée des données permet de comprendre comment une donnée a été préparée avant d'alimenter un modèle ou un index de recherche. Reliez enfin le catalogue aux workflows de machine learning et aux chaînes d'indexation, afin que les équipes accèdent aux données depuis le catalogue plutôt que par des extractions parallèles.

Troisième temps : gouverner et mesurer

Définissez qui peut consulter les métadonnées, qui peut accéder aux données et dans quel cadre, en cohérence avec vos exigences de sécurité et de conformité. Automatisez la maintenance, puis suivez quelques indicateurs.

AWS suggère de mesurer le temps consacré à la découverte des données, la réduction des préparations redondantes et l'évolution des cycles de développement des modèles. Ces mesures alimentent le business case que le CODIR attend avant d'étendre le dispositif.

Éviter qu'un catalogue de données devienne obsolète

Le risque principal d'un catalogue n'est pas technique. Sur les SI que nous accompagnons, nous avons vu bien des référentiels documentaires soigneusement constitués puis abandonnés dix-huit mois plus tard, faute de propriétaire. Un catalogue obsolète est plus dangereux qu'une absence de catalogue, car il inspire une confiance qu'il ne mérite plus, et un assistant IA s'appuiera sur lui sans discernement.

Trois leviers limitent ce risque. D'abord, l'automatisation de la maintenance et de l'actualisation du catalogue dès qu'une source ou une transformation change, comme le recommande AWS. Ensuite, la responsabilité nominative : chaque actif a un data owner identifié, dont la mission figure dans sa fiche de poste et pas seulement dans un document de gouvernance.

Enfin, la revue périodique des actifs consommés par les projets d'IA, intégrée au pilotage de projet plutôt que traitée comme une tâche annexe. Ce dernier point devient décisif au moment du passage à l'échelle, que nous traitons dans notre accompagnement au pilotage de projets et à la mise à l'échelle.

Choisir un outil de catalogue de données

Le marché propose des solutions d'éditeurs, des services intégrés aux plateformes cloud et des briques open source. Plutôt qu'un comparatif, voici la checklist catalogue de données que nous utilisons pour évaluer un outil, qui reprend les capacités citées par IBM pour les catalogues modernes :

• recherche et découverte des actifs, idéalement avec recherche en langage naturel

• gestion du modèle de métadonnées et du glossaire métier

• suivi de la provenance et de la lignée

• profilage et indicateurs de qualité des données

• classification et étiquetage des données sensibles

• gestion fine des accès et des permissions

• prise en charge des données structurées et non structurées

• intégration aux workflows d'analyse, de machine learning et d'indexation

• hébergement compatible avec vos exigences de souveraineté

Ce dernier critère pèse lourd. Un catalogue de métadonnées décrit précisément votre patrimoine informationnel, y compris l'emplacement de vos données sensibles. Le confier à un service hébergé hors de l'Union européenne mérite un arbitrage explicite, que nous développons dans notre article sur l'IA et la souveraineté numérique.

L'IA au service du catalogue, l'exemple de data.gouv.fr

L'IA peut-elle générer automatiquement les descriptions et les mots-clés d'un catalogue de données ? Le catalogue public data.gouv.fr apporte une réponse concrète et mesurée. Ses guides décrivent des expérimentations d'IA pour rédiger des descriptions courtes, suggérer des mots-clés et rechercher des jeux de données en langage naturel via un serveur Model Context Protocol (MCP). Le catalogue reste par ailleurs interrogeable par des moyens techniques classiques comme SPARQL, avec des formats d'export documentés.

La documentation précise que ces fonctions sont expérimentales et que les suggestions restent assistives. C'est la bonne posture pour une entreprise : l'IA accélère la production des métadonnées, la validation humaine garantit leur justesse. Un data owner qui relit et corrige une description proposée va beaucoup plus vite qu'un data owner qui part d'une page blanche, mais sa signature reste indispensable.

Important

Un catalogue de données enrichi par l'IA ne vous dispense pas de gouvernance. L'automatisation propose, une personne identifiée valide et répond de la fiche.

Aller plus loin avec le catalogue de données IA

Avant de choisir un modèle ou d'ouvrir un assistant à vos équipes, posez-vous une question simple : savez-vous quelles données il lira, qui en répond et si elles sont à jour ? Le catalogue de données IA est la réponse structurée à cette question.

Pour une ETI, il ne s'agit pas d'un programme de plusieurs années mais d'une démarche progressive, adossée aux cas d'usage prioritaires, outillée par la découverte automatisée et tenue par des data owners nommés. C'est ce socle qui permet à un POC de devenir un service fiable, puis de passer à l'échelle sans reconstruire les fondations à chaque nouveau projet.

En résumé : le catalogue de données IA comme socle

Un catalogue de données IA bien tenu permet de savoir rapidement quelles sources existent, comment elles ont été préparées et dans quel cadre elles peuvent être utilisées. Il devient ainsi le point d'entrée naturel des équipes projet, qui n'ont plus à reconstituer l'historique des données à chaque nouveau cas d'usage.

Pour une ETI, l'objectif n'est pas de documenter tout le système d'information dès le premier jour, mais de construire ce socle pas à pas à partir des priorités métier. En reliant ce chantier aux projets concrets, en s'appuyant sur la découverte automatisée et sur des data owners clairement identifiés, le catalogue de données IA reste vivant et utile, au service durable de vos assistants internes et de vos modèles.

FAQ

Le catalogue de données est-il un projet DSI ou un projet métier ?

Les deux. La DSI porte l'outil, la découverte automatisée et les accès, mais le sens des données appartient aux métiers. Sans data owners issus des directions métier, le catalogue reste un inventaire technique que les projets d'IA ne peuvent pas exploiter.

Faut-il un catalogue complet avant de lancer un premier projet d'IA ?

Non. Nous recommandons de cataloguer d'abord les sources mobilisées par le premier cas d'usage, puis d'étendre le périmètre projet après projet. Cette approche produit de la valeur rapidement et évite un chantier documentaire sans destinataire.

Quelle différence entre un catalogue de données et un glossaire métier ?

Le glossaire métier définit les termes de l'entreprise, par exemple ce qu'est un client actif ou une commande livrée. Le catalogue décrit les actifs de données et rattache leurs champs à ces définitions. Le glossaire est donc une composante du catalogue, pas un substitut.

Le catalogue aide-t-il à préparer la conformité à l'AI Act ?

Il y contribue en documentant la provenance, la lignée et la qualité des données utilisées par vos systèmes d'IA. Il ne constitue pas à lui seul une démarche de conformité, qui suppose une analyse juridique des cas d'usage et de leur niveau de risque.