Aller au contenu principal
Retour au lexique IA
Données et vie privée

Augmentation de données (IA)

L'augmentation de données est une technique qui consiste à générer artificiellement de nouvelles données à partir de données existantes afin d'améliorer l'entraînement d'un modèle d'IA.

Définition

L'augmentation de données (data augmentation) regroupe l'ensemble des méthodes permettant de créer de nouveaux exemples d'apprentissage à partir de données existantes. En vision par ordinateur, cela peut inclure la rotation, le recadrage, le bruit, la symétrie ou la modification de luminosité d'images. En traitement du langage, il s'agit par exemple de traductions, synonymes ou reformulations automatiques. En audio, on peut ajouter du bruit de fond, changer la vitesse ou le ton. L'objectif est de rendre les modèles plus robustes, de réduire le surapprentissage et d'améliorer la généralisation. Avec l'essor des modèles génératifs, des techniques avancées comme le GAN-based augmentation ou le mixup sont utilisées. Cette approche est particulièrement utile quand les données annotées sont rares ou coûteuses. Toutefois, une mauvaise augmentation peut introduire du bruit ou biaiser l'apprentissage. L'augmentation doit respecter une règle de base : la transformation ne doit pas changer la réponse attendue. Retourner une photo de chat en miroir donne toujours un chat, mais retourner l'image d'un chiffre 6 peut produire un 9, et retourner un texte scanné rend l'écriture illisible. De même, remplacer des mots par des synonymes peut modifier le sens d'un avis (« décevant » et « inattendu » ne se valent pas). Il faut donc choisir les transformations en connaissant le métier. L'augmentation ne s'applique qu'aux données d'entraînement : le jeu de validation et le jeu de test restent intacts, sinon la mesure des performances est faussée. Autre piège, la fuite de données : si une photo et sa version retournée se retrouvent l'une dans l'entraînement et l'autre dans le test, le modèle a l'air meilleur qu'il ne l'est. L'augmentation ne crée pas d'information réellement nouvelle ; elle apprend au modèle à ignorer des variations sans importance (angle, luminosité, formulation). Si un cas manque totalement dans les données (un défaut jamais photographié), aucune transformation ne le fera apparaître. Enfin, les données synthétiques issues de modèles génératifs doivent être signalées comme telles et contrôlées par un humain.

Catégorie

Données et vie privée

Synonymes

data augmentation, enrichissement de données

Avantages

  • Améliore la robustesse et la généralisation des modèles
  • Réduit le risque de surapprentissage
  • Permet de compenser un manque de données annotées
  • Il permet d'obtenir un modèle utilisable avec peu de photos ou d'enregistrements collectés.
  • Il habitue le modèle aux variations réelles (éclairage, cadrage, bruit de fond) qu'il rencontrera en production.
  • Il coûte peu : les transformations simples s'appliquent automatiquement, sans nouvelle prise de vue.

Limites

  • Peut introduire du bruit ou des artefacts irréalistes
  • Toutes les augmentations ne sont pas pertinentes selon la tâche
  • Augmente le temps d'entraînement et la complexité du pipeline
  • Il ne remplace pas la collecte de cas réels : un cas jamais vu ne s'invente pas par transformation.
  • Une transformation trop forte peut produire des exemples irréalistes qui dégradent le modèle.
  • Les biais du jeu de départ sont conservés, voire amplifiés, puisque les exemples sont dupliqués.
  • Le suivi de ce qui a été augmenté, et de quelle façon, doit être documenté pour pouvoir reproduire et expliquer le modèle.

Exemples concrets

Découvrez comment ce concept s'applique dans la réalité

  1. Rotation et recadrage d'images pour entraîner un modèle de vision

  2. Remplacement de mots par des synonymes dans un dataset de NLP

  3. Ajout de bruit sonore sur des échantillons audio

  4. Génération de faux exemples via GANs pour équilibrer les classes

  5. Imaginons une fromagerie qui photographie ses produits pour reconnaître les références en caisse : rotations légères, variations de lumière et recadrages multiplient quelques dizaines de photos par produit.

  6. Un atelier de mécanique avec seulement vingt photos de pièces défectueuses peut les décliner en plusieurs variantes de lumière pour entraîner un contrôle visuel, tout en gardant de côté d'autres photos réelles pour le test.

  7. Un service client dont le jeu d'exemples contient peu de messages d'un certain type peut faire reformuler ces messages, puis faire vérifier les reformulations par une personne.

Applications pratiques

Où « augmentation de données (IA) » sert concrètement

  • Vision : reconnaissance d'objets, imagerie médicale

  • NLP : classification de textes, analyse de sentiments

  • Audio : reconnaissance vocale, détection d'événements sonores

  • Industrie : détection d'anomalies avec peu d'exemples

  • Commerce de détail : reconnaissance de produits en caisse à partir de peu de photos.

  • Industrie légère : contrôle visuel de pièces avec peu d'exemples de défauts.

  • Relation client : enrichissement d'exemples rares pour un tri automatique des messages.

Questions fréquentes

Les questions que posent les entreprises sur « augmentation de données (IA) »

Pourquoi utiliser l'augmentation de données ?

Pour enrichir artificiellement un dataset et améliorer la robustesse du modèle.

Quels types existent ?

Images (rotation, bruit), texte (synonymes), audio (changement de vitesse, bruit).

Est-ce toujours bénéfique ?

Non, certaines transformations peuvent dégrader les performances si mal choisies.

Quels outils permettent de le faire ?

TensorFlow ImageDataGenerator, Albumentations, HuggingFace nlp-aug.

Quels liens avec les GANs ?

Les GANs permettent de générer de faux exemples réalistes pour enrichir un dataset.

Est-ce lié au surapprentissage ?

Oui, c'est une méthode pour le limiter en diversifiant les données d'entraînement.

Peut-on l'utiliser en production ?

Oui, surtout dans des pipelines MLOps pour rendre les modèles plus stables.

Peut-on augmenter aussi le jeu de test ?

Non. Le jeu de test doit rester composé de données réelles et non modifiées, sinon la mesure ne reflète plus ce que vivra le modèle en production. Les transformations ne s'appliquent qu'au jeu d'entraînement, et la séparation entre les jeux doit être faite avant l'augmentation.

Comment choisir les transformations adaptées ?

En se demandant quelles variations existent réellement sur le terrain : un smartphone tenu de travers justifie une rotation légère, un éclairage variable justifie des changements de luminosité. On teste ensuite chaque transformation en comparant les résultats avec et sans elle sur des données de validation.

Source et références

Source : CNIL – Glossaire IA

Voir la source

Notions proches de « augmentation de données (IA) »

Envie d'approfondir vos connaissances en IA ?

Découvrez tous nos termes et concepts dans le lexique complet

Un projet autour de « augmentation de données (IA) » ?

Décrivez-nous votre besoin : nous vous répondons sous 24 h, sans engagement.

Testez gratuitement la visibilité de votre entreprise dans les IA. Lancer le test de visibilité dans les IA