La qualité du dataset détermine la qualité du modèle. Il doit être représentatif, diversifié, équilibré, et conforme aux réglementations (RGPD, anonymisation). Le dataset est souvent divisé en trois sous-ensembles : entraînement (training set), validation (validation set), et test (test set). Il peut être obtenu par collecte directe, open data, génération synthétique, ou étiquetage manuel. Les biais de dataset sont une cause majeure d’inefficacité ou de discrimination algorithmique. Dans un projet IA, construire ou choisir un dataset est une phase stratégique qui mobilise des compétences métier, éthiques et techniques. Un bon dataset alimente non seulement la performance, mais aussi l’explicabilité, la robustesse et la légitimité d’un modèle. Des outils d’annotation, d’augmentation ou de nettoyage permettent d’en améliorer la qualité.