Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Le corpus d’entraînement est l’ensemble des données, textes, images, sons ou autres signaux, à partir desquelles un modèle d’intelligence artificielle ajuste ses paramètres pour apprendre les régularités qu’il exploitera ensuite.
Il peut être structuré ou non structuré. Le règlement européen sur l’IA définit les données d’entraînement comme celles utilisées pour entraîner un système d’IA en ajustant ses paramètres entraînables. Pour un modèle de langage, le corpus est un très grand volume de textes, découpés en tokens. Un modèle généraliste est d’abord préentraîné sur un corpus large et varié. Un corpus plus restreint, propre à un domaine ou à une tâche, sert ensuite au fine-tuning.
Un corpus se décrit par ses sources (contenus publics, sous licence, internes ou synthétiques), par sa composition (langues, domaines, périodes couvertes) et par les traitements subis. Ces traitements comprennent la sélection, le dédoublonnage, le filtrage des contenus indésirables, l’anonymisation des données et, pour l’apprentissage supervisé, l’étiquetage. Le vocabulaire officiel français prévoit une « notice de modèle préentraîné », qui définit notamment les caractéristiques de son jeu de données d’entraînement (Journal officiel du 6 septembre 2024).
Le corpus d’entraînement se distingue du dataset, terme plus large qui couvre aussi les données de validation et de test. Il se distingue également de la base documentaire interrogée par un système RAG : ces documents sont consultés au moment de la réponse, sans modifier les paramètres du modèle. En marketing, la notion intervient dans le choix d’un modèle et dans la constitution d’un corpus de contenus de marque destiné à l’ajuster.
Un modèle ne dépasse pas son corpus. Un thème absent ou rare dans les données sera mal traité, et le modèle peut combler le vide par une réponse plausible mais fausse, une hallucination. Un corpus arrêté à une date ignore tout ce qui suit. Un corpus dominé par une langue, une région ou un registre reproduit ces déséquilibres, au risque de biais algorithmiques. Nous recommandons donc de poser la question du corpus avant celle du modèle : que contient-il, de quand date-t-il, et correspond-il aux situations que vos équipes rencontrent ?
Le règlement européen sur l’IA (règlement (UE) 2024/1689) impose aux fournisseurs de modèles d’IA à usage général deux obligations liées au corpus (article 53). Ils doivent mettre en place une politique de respect du droit d’auteur, qui identifie notamment les réserves de droits exprimées par les titulaires en vertu de la directive (UE) 2019/790. Ils doivent aussi publier un résumé suffisamment détaillé des contenus utilisés pour l’entraînement, selon un modèle fourni par le Bureau de l’IA. Selon la Représentation de la Commission européenne en France (2025), ces obligations s’appliquent depuis le 2 août 2025 ; les modèles mis sur le marché avant cette date ont jusqu’au 2 août 2027.
Une entreprise qui constitue son propre corpus avec des données personnelles relève du RGPD. La CNIL a publié des fiches pratiques sur le développement des systèmes d’IA. L’une est consacrée à la collecte par moissonnage de données en ligne ; une autre, finalisée en juillet 2025, porte sur l’annotation.
Advalians pilote votre projet d’IA en assistance à maîtrise d’ouvrage : analyse des pratiques, coordination des équipes et prestataires, suivi régulier.
Le corpus d’entraînement modifie le modèle ; la base documentaire d’un RAG ne fait que l’alimenter au moment de la réponse. Les contenus du corpus sont intégrés aux paramètres du modèle pendant l’entraînement. Ceux de la base documentaire sont recherchés à chaque question, puis fournis au modèle comme contexte.
Conséquence pratique : pour des informations qui changent souvent, comme des tarifs ou des fiches produits, privilégiez une base documentaire, mise à jour sans réentraîner. Réservez le corpus d’entraînement à ce qui est stable : un style, un format de réponse, une tâche de classement.
Commencez par la tâche à apprendre, puis sélectionnez les contenus qui en sont de bons exemples. Procédez par étapes.
Documentez chaque choix pour pouvoir reconstituer le corpus.
Évaluez-le sur sa couverture, sa propreté et sa légitimité, puis par ses effets sur le modèle. Mesurez la part des thèmes ou des cas prévus réellement présents, le taux de doublons et la part des contenus dont les droits sont vérifiés.
Le test décisif reste la performance du modèle entraîné sur un échantillon qu’il n’a jamais vu, découpée par thème ou par segment. Un écart important sur un segment signale un manque dans le corpus. Comparez enfin plusieurs versions du corpus sur le même échantillon de test.
Pas librement. Un contenu accessible en ligne n’est pas pour autant libre de droits. Le droit de l’Union permet aux titulaires de réserver leurs droits contre la fouille de textes et de données, et le règlement européen sur l’IA impose aux fournisseurs de modèles à usage général de respecter ces réserves.
Si les contenus comportent des données personnelles, le RGPD s’applique : base légale, information des personnes, minimisation. Avant toute collecte, vérifiez les conditions d’utilisation des sites et documentez vos sources. Consultez les fiches pratiques de la CNIL sur le moissonnage.
Seulement si la tâche l’exige et si vous disposez de contenus de qualité en nombre suffisant. Un corpus propre se justifie pour un style de marque précis, un vocabulaire métier rare ou une tâche de classement répétitive.
Renoncez-y si de bonnes consignes ou une base documentaire donnent déjà un résultat satisfaisant. Renoncez-y aussi si vos contenus sont peu nombreux, hétérogènes ou de droits incertains. Testez d’abord ces solutions plus légères sur un échantillon représentatif, puis comparez l’écart de qualité au coût de constitution et de maintenance du corpus.
Par Thomas Bizot – Président du cabinet Advalians
