Dossier de conformité — données d'entraînement (AI Act, article 10)
Squelette généré automatiquement à partir de l'analyse du jeu de données. Les blocs « à compléter par l'expert » nécessitent une revue humaine (provenance, jugement de conformité, mesures d'atténuation).
1. Identité & finalité
- Système / modèle : _____
- Version du dossier : _____
- Date : _____
- Jeu de données :
synthetic-credit - Finalité prévue : Scoring crédit (démo)
_À compléter par l'expert — finalité prévue et ce que les données sont censées représenter_
2. Provenance & base légale
Origine de chaque source, licences/contrats, et — pour les données personnelles — finalité initiale et base légale RGPD.
⚠️ Données personnelles potentielles détectées : email, full_name — une base légale RGPD est requise pour ces colonnes.
_À compléter par l'expert — provenance par source (flux séparé §16), licences, base légale RGPD_
3. Composition _(rempli automatiquement)_
- Volume : 510 lignes, 10 colonnes.
- Variables :
| Colonne | Type |
id | BIGINT |
age | BIGINT |
sex | VARCHAR |
postal_code | BIGINT |
income | BIGINT |
employment_years | DOUBLE |
loan_amount | BIGINT |
email | VARCHAR |
full_name | VARCHAR |
defaulted | BIGINT |
- Attributs sensibles déclarés :
sex,postal_code,age.
- Colonnes PII détectées :
email,full_name.
_À compléter par l'expert — périmètre géographique / contextuel / comportemental_
4. Préparation _(observations automatiques)_
- Doublons : 10 ligne(s) en double → étape de dédoublonnage à tracer.
- Valeurs manquantes :
income(25) → stratégie de traitement à documenter.
_À compléter par l'expert — journal des transformations : collecte, nettoyage, étiquetage, enrichissement, agrégation_
5. Qualité _(rempli automatiquement)_
- Complétude : 25 valeur(s) manquante(s) (
income). - Exactitude / aberrations :
income(3). - Unicité : 10 doublon(s).
_À compléter par l'expert — représentativité et pertinence vis-à-vis de la finalité_
6. Biais
Analyse automatique
sex — disparité du taux de « defaulted » : ratio 2.14 ⚠️
| Groupe | Effectif | Taux de « defaulted » |
F | 250 | 30.4 % |
M | 260 | 14.2 % |
postal_code — disparité du taux de « defaulted » : ratio 1.83 ⚠️
| Groupe | Effectif | Taux de « defaulted » |
93200 | 100 | 31.0 % |
59000 | 107 | 24.3 % |
13008 | 103 | 19.4 % |
69003 | 88 | 19.3 % |
75001 | 112 | 17.0 % |
Jugement & mesures
_À compléter par l'expert — impact sur santé/sécurité/droits fondamentaux et mesures de détection/prévention/atténuation_
7. Lacunes & limites
Points détectés à examiner comme lacunes potentielles :
- [medium] duplicates
- [low] missing —
income - [low] outliers —
income - [high] pii —
email - [high] pii —
full_name - [high] bias —
sex - [medium] bias —
postal_code
_À compléter par l'expert — manques identifiés et traités ; usages hors périmètre_
8. Gouvernance & traçabilité
_À compléter par l'expert — responsabilités, journal d'audit, versioning, maintenance/mise à jour_