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 : src
Finalité prévue : _____

_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 : telephone — 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 : 1000 lignes, 21 colonnes.
Variables :

Colonne	Type
`status`	VARCHAR
`duration`	BIGINT
`credit_history`	VARCHAR
`purpose`	VARCHAR
`amount`	BIGINT
`savings`	VARCHAR
`employment_duration`	VARCHAR
`installment_rate`	BIGINT
`personal_status_sex`	VARCHAR
`other_debtors`	VARCHAR
`present_residence`	BIGINT
`property`	VARCHAR
`age`	BIGINT
`other_installment_plans`	VARCHAR
`housing`	VARCHAR
`number_credits`	BIGINT
`job`	VARCHAR
`people_liable`	BIGINT
`telephone`	BOOLEAN
`foreign_worker`	BOOLEAN
`credit_risk`	BIGINT

Attributs sensibles déclarés : status, credit_history, purpose, savings, employment_duration, personal_status_sex, other_debtors, property, age, other_installment_plans, housing, job, foreign_worker.

Colonnes PII détectées : telephone.

_À compléter par l'expert — périmètre géographique / contextuel / comportemental_

4. Préparation _(observations automatiques)_

_À compléter par l'expert — journal des transformations : collecte, nettoyage, étiquetage, enrichissement, agrégation_

5. Qualité _(rempli automatiquement)_

Exactitude / aberrations : duration (1).

_À compléter par l'expert — représentativité et pertinence vis-à-vis de la finalité_

6. Biais

Analyse automatique

status — disparité du taux de « credit_risk » : ratio 1.74 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`no checking account`	394	88.3 %
`... >= 200 DM / salary for at least 1 year`	63	77.8 %
`0 <= ... < 200 DM`	269	61.0 %
`... < 100 DM`	274	50.7 %

credit_history — disparité du taux de « credit_risk » : ratio 2.21 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`critical account/other credits existing`	293	82.9 %
`delay in paying off in the past`	88	68.2 %
`existing credits paid back duly till now`	530	68.1 %
`all credits at this bank paid back duly`	49	42.9 %
`no credits taken/all credits paid back duly`	40	37.5 %

purpose — disparité du taux de « credit_risk » : ratio 1.59 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`business`	9	88.9 %
`car (used)`	103	83.5 %
`domestic appliances`	280	77.9 %
`radio/television`	181	68.0 %
`repairs`	12	66.7 %
`others`	97	64.9 %
`education`	22	63.6 %
`car (new)`	234	62.0 %
`furniture/equipment`	12	58.3 %
`retraining`	50	56.0 %

savings — disparité du taux de « credit_risk » : ratio 1.37 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`... >= 1000 DM`	48	87.5 %
`500 <= ... < 1000 DM`	63	82.5 %
`unknown/no savings account`	183	82.5 %
`100 <= ... < 500 DM`	103	67.0 %
`... < 100 DM`	603	64.0 %

employment_duration — disparité du taux de « credit_risk » : ratio 1.31 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`4 <= ... < 7 years`	174	77.6 %
`... >= 7 years`	253	74.7 %
`1 <= ... < 4 years`	339	69.3 %
`unemployed`	62	62.9 %
`... < 1 year`	172	59.3 %

personal_status_sex — disparité du taux de « credit_risk » : ratio 1.22 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`male : single`	548	73.4 %
`male : married/widowed`	92	72.8 %
`female : divorced/separated/married`	310	64.8 %
`male : divorced/separated`	50	60.0 %

other_debtors — disparité du taux de « credit_risk » : ratio 1.44 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`guarantor`	52	80.8 %
`none`	907	70.0 %
`co-applicant`	41	56.1 %

property — disparité du taux de « credit_risk » : ratio 1.39 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`real estate`	282	78.7 %
`building society savings agreement/life insurance`	232	69.4 %
`car or other`	332	69.3 %
`unknown/no property`	154	56.5 %

other_installment_plans — disparité du taux de « credit_risk » : ratio 1.23 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`none`	814	72.5 %
`stores`	47	59.6 %
`bank`	139	59.0 %

housing — disparité du taux de « credit_risk » : ratio 1.25 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`own`	713	73.9 %
`rent`	179	60.9 %
`for free`	108	59.3 %

job — disparité du taux de « credit_risk » : ratio 1.10 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`unskilled - resident`	200	72.0 %
`skilled employee/official`	630	70.5 %
`unemployed/unskilled - non-resident`	22	68.2 %
`management/self-employed/highly qualified employee/officer`	148	65.5 %

foreign_worker — disparité du taux de « credit_risk » : ratio 1.29 ⚠️

Groupe	Effectif	Taux de « credit_risk »
`false`	37	89.2 %
`true`	963	69.3 %

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 :

[low] outliers — duration
[low] outliers — amount
[high] pii — telephone
[medium] bias — status
[high] bias — credit_history
[medium] bias — purpose

_À compléter par l'expert — manques identifiés et traités ; usages hors périmètre_

8. Gouvernance & traçabilité

Version de l'outil d'analyse : 0.2.0

_À compléter par l'expert — responsabilités, journal d'audit, versioning, maintenance/mise à jour_