Hoja de repaso: Gestion des données et ingénierie des connaissances

📋 Plan du Cours

1. Gestion des données & Approche globale
2. Ingénierie des connaissances & Représentation formelle
3. Apprentissage incrémental & Forgetting catastrophique
4. Évaluation de la fiabilité des données & Métriques
5. Conception et architecture des données & Spécifications
6. Annotation et apprentissage actif & Qualité des annotations
7. Cycle de vie des données & Méthodologies de développement
8. Gestion des risques & Qualité des données
9. Outils et visualisation des données & Dashboards
10. Définition de l'ODD & Conditions d'exploitation

📖 1. Gestion des données & Approche globale

🔑 Notions clés & Définitions

• Knowledge Engineering : Discipline visant à transférer l'expertise humaine dans un système informatique en codant des règles ou des ontologies pour reproduire la prise de décision d’un expert.
• Data Engineering : Ensemble des processus et méthodes pour collecter, transformer, stocker et gérer les données afin de les rendre exploitables pour l’IA.
• Ontologies : Représentations formelles des concepts et de leurs relations dans un domaine, permettant une communication standardisée et une gestion efficace des connaissances.
• Knowledge Pyramid (DIKM) : Modèle hiérarchique illustrant la progression du simple stockage de données vers la sagesse, en passant par l’information, la connaissance et l’intuition.
• Garbage In, Garbage Out (GIGO) : Principe soulignant que la qualité des résultats dépend directement de la qualité des données d’entrée.
• CRISP-DM : Méthodologie itérative pour l’exploration et l’analyse de données, insistant sur la compréhension métier, la qualité des données et la validation continue.

📝 Points essentiels

• La gestion globale des données nécessite une approche structurée intégrant la collecte, la modélisation, la validation et la gouvernance pour assurer la fiabilité et la traçabilité.
• La pyramide DIKM montre que la donnée brute doit être transformée en information, puis en connaissance, insight, et enfin en sagesse pour une prise de décision éclairée.
• La représentation des connaissances peut se faire via des logiques formelles, des réseaux sémantiques ou des ontologies, chacune ayant ses avantages et limites.
• La ingénierie des connaissances doit faire face à des défis comme la difficulté d’extraction des connaissances tacites et la modélisation de connaissances abstraites.
• La gestion des risques liés à la qualité des données, leur traçabilité, et leur conformité éthique est cruciale pour la fiabilité des systèmes IA.
• La méthodologie Confiance.ai propose une approche end-to-end intégrant la spécification, le développement, la validation et la certification des données pour garantir la confiance.

💡 À retenir

L’efficacité des systèmes d’IA repose sur une gestion rigoureuse et structurée des données, en intégrant la connaissance, la qualité et la traçabilité, pour assurer leur fiabilité et leur conformité aux exigences éthiques et réglementaires.

📖 2. Ingénierie des connaissances & Représentation formelle

🔑 Notions clés & Définitions

• Ingénierie des connaissances : Discipline visant à transférer l'expertise humaine dans des systèmes informatiques en utilisant des représentations formelles pour la résolution de problèmes.
• Représentation formelle : Méthode structurée et précise pour modéliser la connaissance, permettant la manipulation automatique par des systèmes informatiques.
• Ontologies : Représentations formelles de domaines, décrivant concepts, propriétés et relations, facilitant la communication et la gestion des connaissances.
• Réseaux sémantiques : Graphes où les nœuds représentent des objets ou concepts et les arcs leurs relations, utilisés pour représenter la connaissance de manière intuitive.
• Systèmes basés sur la connaissance : Logiciels utilisant des représentations formelles pour déduire de nouvelles connaissances ou prendre des décisions (ex : systèmes experts).
• Problème de l'ancrage symbolique : Difficulté à relier les symboles utilisés par l'IA à leur signification dans le monde réel, limitant la compréhension et l'apprentissage autonome.

📝 Points essentiels

• La gestion des connaissances passe par la modélisation, la formalisation et la représentation pour permettre l'inférence automatique.
• La représentation logique est précise mais peu naturelle, adaptée pour le raisonnement formel.
• Les réseaux sémantiques offrent une représentation intuitive, mais peu efficace pour des systèmes complexes ou volumineux.
• Les ontologies jouent un rôle clé dans le Web sémantique, en permettant une compréhension partagée et une interopérabilité entre systèmes.
• La modélisation des connaissances doit faire face à la complexité, à la diversité des représentations et à la difficulté d'acquérir des connaissances tacites ou implicites.
• La limitation principale des systèmes symboliques réside dans leur incapacité à apprendre ou à s'adapter facilement à partir de données brutes, ce qui justifie l'intégration avec le machine learning.

💡 À retenir

L'ingénierie des connaissances consiste à formaliser et représenter la connaissance humaine pour permettre son traitement automatique, mais elle doit souvent être complétée par des approches d'apprentissage automatique pour pallier ses limites liées à la symbolique.

📖 3. Apprentissage incrémental & Forgetting catastrophique

🔑 Notions clés & Définitions

• Apprentissage incrémental : Méthode d'apprentissage où un modèle est mis à jour progressivement avec de nouvelles données, sans réentraîner entièrement à chaque fois. Permet d'intégrer continuellement de nouvelles connaissances.
• Forgetting catastrophique : Phénomène où un modèle d'apprentissage automatique oublie rapidement les connaissances acquises précédemment lorsqu'il apprend de nouvelles informations, en particulier dans les réseaux de neurones.
• Mémoire à long terme : Capacité d’un modèle à conserver des connaissances sur une longue période, essentielle pour l’apprentissage incrémental efficace.
• Régularisation : Techniques visant à empêcher le modèle d’oublier les connaissances antérieures lors de l’apprentissage de nouvelles données, en contrôlant la modification des paramètres.
• Méthodes de mitigation du forgetting : Approches telles que la rétention de représentations anciennes, l’utilisation de mémoire externe, ou la consolidation de connaissances pour réduire le phénomène de forgetting catastrophique.
• Continual Learning (apprentissage continu) : Paradigme d’apprentissage où le système apprend de manière séquentielle, en conservant et en intégrant de nouvelles connaissances tout en évitant la perte des anciennes.

📝 Points essentiels

• L'apprentissage incrémental est crucial pour les systèmes adaptatifs et en temps réel, notamment dans des environnements changeants.
• Le forgetting catastrophique est un obstacle majeur dans l'apprentissage incrémental, limitant la capacité des modèles à accumuler des connaissances sur le long terme.
• Plusieurs stratégies existent pour atténuer ce phénomène : régularisation, mémoire exemplaire, ou architectures hybrides (ex : réseaux à mémoire).
• La gestion du compromis entre plasticité (capacité à apprendre de nouvelles choses) et stabilité (conservation des anciennes connaissances) est essentielle.
• La recherche vise à développer des méthodes de continual learning efficaces, permettant aux modèles de s’adapter sans perte significative de performance.

💡 À retenir

L'apprentissage incrémental permet aux systèmes d'apprendre en continu, mais le phénomène de forgetting catastrophique doit être maîtrisé pour garantir une accumulation fiable des connaissances sur le long terme.

📖 4. Évaluation de la fiabilité des données & Métriques

🔑 Notions clés & Définitions

• Fiabilité des données : Capacité des données à être exactes, cohérentes, et utilisables dans le contexte prévu, garantissant leur crédibilité pour la prise de décision.
• Qualité des données : Ensemble d’attributs permettant d’évaluer si les données sont adaptées à leur usage, tels que la précision, la complétude, la cohérence, la traçabilité, et la conformité.
• Métriques de fiabilité : Indicateurs quantitatifs ou qualitatifs permettant de mesurer la confiance et la robustesse des données, comme le taux d’erreur, la couverture, ou la fréquence de mise à jour.
• Validation des données : Processus de vérification que les données respectent les critères de qualité définis, souvent via des tests, des contrôles automatisés ou manuels.
• Risques liés aux données : Possibilités de défaillance ou d’erreur dans les données pouvant impacter la fiabilité, telles que la corruption, l’obsolescence ou le biais.
• Confiance dans les données : Niveau de certitude que les données sont fiables, pertinentes et utilisables pour les objectifs spécifiques.

📝 Points essentiels

• La fiabilité des données est cruciale pour assurer la qualité des systèmes d’IA, notamment dans des environnements critiques.
• L’évaluation s’appuie sur des métriques précises permettant d’identifier les faiblesses et de prioriser les actions correctives.
• La validation et la vérification régulières des données permettent de maintenir leur fiabilité dans le temps.
• La gestion des risques liés aux données doit intégrer la détection d’erreurs, la correction, et la prévention.
• La mesure de la confiance doit être intégrée dès la phase de collecte, de traitement, et d’utilisation des données.
• La traçabilité et la documentation sont essentielles pour justifier la fiabilité et faciliter la certification.

💡 À retenir

L’évaluation de la fiabilité des données repose sur des métriques précises et une validation continue, garantissant leur qualité et leur pertinence pour des systèmes d’IA fiables et responsables.

📖 5. Conception et architecture des données & Spécifications

🔑 Notions clés & Définitions

• Knowledge Engineering : Processus de transfert de l'expertise humaine vers des systèmes informatiques sous forme de règles ou ontologies, permettant la modélisation des connaissances d’un domaine spécifique.
• Ontologies : Représentations formelles de concepts, catégories, propriétés et relations dans un domaine, facilitant la gestion et la communication des connaissances.
• Représentation de la connaissance : Méthodes formelles pour modéliser, raisonner et manipuler des connaissances, incluant la logique, les réseaux sémantiques, et les ontologies.
• Knowledge Graphs : Structures de données utilisant un modèle en graphes pour représenter des entités et leurs relations, permettant l’intégration et la déduction de nouvelles connaissances.
• Risques liés aux données : Possibilités d’événements négatifs (non-conformité, perte, biais) impactant la fiabilité, la sécurité ou l’éthique des systèmes basés sur les données.
• Qualité des données : Ensemble d’attributs (ex. exactitude, complétude, cohérence) garantissant la fiabilité et la pertinence des données pour le système.

📝 Points essentiels

• La gestion des données s’inscrit dans une démarche globale intégrant ingénierie des connaissances, modélisation, et architecture pour assurer la fiabilité et la traçabilité.
• La modélisation de la connaissance peut utiliser différentes représentations : logique formelle, réseaux sémantiques, ontologies, graphes de connaissances.
• La construction d’ontologies permet de définir un vocabulaire commun, facilitant l’interopérabilité et la compréhension partagée.
• La représentation symbolique (logique, réseaux sémantiques, ontologies) présente des avantages en raisonnement mais des limites face à l’incertitude et à la complexité des données réelles.
• La gestion des risques et la qualité des données sont essentielles pour garantir la confiance dans le système, notamment par la traçabilité, l’évaluation de la fiabilité, et la conformité éthique.
• La synergie entre méthodes symboliques (ontologies, graphes) et apprentissage automatique (machine learning) permet de surmonter les limites de chaque approche, notamment pour le problème de grounding symbolique.

💡 À retenir

La conception des données repose sur une modélisation précise des connaissances via des ontologies et graphes, combinée à une gestion rigoureuse de la qualité et des risques, pour construire des systèmes fiables, interprétables et éthiques.

📖 6. Annotation et apprentissage actif & Qualité des annotations

🔑 Notions clés & Définitions

• Annotation : Processus d’étiquetage ou de marquage de données (images, textes, vidéos) pour permettre leur utilisation dans l’apprentissage machine. Elle facilite la supervision et la construction de modèles précis.
• Apprentissage actif (Active Learning) : Technique où le modèle identifie et sollicite l’annotation des données les plus informatives ou incertaines, optimisant ainsi le processus d’apprentissage avec moins de données annotées.
• Qualité des annotations : Niveau de précision, cohérence et fiabilité des données annotées, essentiel pour garantir la performance et la confiance des modèles.
• Notion de bruit dans les annotations : Erreurs ou incohérences dans les annotations qui peuvent dégrader la qualité du modèle, nécessitant des mécanismes de détection et correction.
• Notion de budget d’annotation : Limitation en ressources (temps, coût, main-d'œuvre) pour annoter un dataset, ce qui pousse à privilégier les données les plus pertinentes via l’apprentissage actif.
• Notion de confiance dans les annotations : Capacité à évaluer la fiabilité des annotations, notamment par la validation croisée ou par des experts, pour assurer la robustesse du système.

📝 Points essentiels

• L’annotation est une étape critique dans la préparation des données pour l’apprentissage supervisé, impactant directement la qualité du modèle.
• L’apprentissage actif permet de réduire le coût en annotations en ciblant uniquement les données les plus informatives, améliorant ainsi l’efficacité.
• La qualité des annotations doit être surveillée pour éviter l’introduction de bruit, qui peut entraîner des biais ou une dégradation des performances.
• La gestion du bruit et la validation des annotations nécessitent des méthodes automatiques ou semi-automatiques, comme la détection d’anomalies ou la validation par des experts.
• La cohérence des annotations est cruciale : des annotations incohérentes ou erronées peuvent induire des erreurs systématiques dans le modèle.
• La métrique de confiance dans les annotations permet d’évaluer leur fiabilité et d’ajuster le processus d’apprentissage ou de correction.

💡 À retenir

L’efficacité de l’apprentissage machine repose fortement de la qualité des annotations, et l’apprentissage actif optimise cette étape en concentrant les efforts sur les données les plus pertinentes, tout en assurant la fiabilité des annotations pour garantir la robustesse et la confiance du système.

📖 7. Cycle de vie des données & Méthodologies de développement

🔑 Notions clés & Définitions

• Cycle de vie des données : Ensemble des étapes par lesquelles passent les données, de leur collecte à leur suppression, en passant par leur traitement, stockage, et utilisation. Il inclut la conception, le développement, la validation, la déploiement, et la maintenance.
• Data Engineering : Discipline visant à concevoir, construire, et maintenir les infrastructures et pipelines permettant la gestion efficace des données tout au long de leur cycle.
• Confiance dans les données : Capacité à garantir la qualité, la fiabilité, la traçabilité, et la conformité des données pour assurer leur utilisation sécurisée et pertinente.
• Méthodologie Confiance.ai : Approche structurée pour le développement de systèmes IA fiables, intégrant des phases d’analyse, de spécification, de développement, de validation, et de déploiement, avec un accent sur la gestion du cycle de vie des données.
• Qualité des données : Ensemble des attributs (ex. précision, cohérence, complétude, traçabilité) permettant d’assurer leur fiabilité et leur adéquation à l’usage prévu.
• Risques liés aux données : Possibilités d’événements négatifs (ex. non-conformité, perte, biais) impactant la performance ou la conformité du système, nécessitant une gestion proactive.

📝 Points essentiels

• La gestion efficace du cycle de vie des données est cruciale pour la fiabilité et la performance des systèmes IA, notamment dans des contextes critiques.
• La méthodologie Confiance.ai propose une approche end-to-end, intégrant l’analyse opérationnelle, la spécification, le développement, la validation, et le déploiement, en insistant sur la traçabilité et la gestion des risques.
• La phase d’orientation des données consiste à comprendre le contexte opérationnel, définir les attentes, et identifier les risques, en s’appuyant sur des acteurs comme l’ingénieur systèmes et le data engineer.
• La spécification et l’architecture des données doivent garantir leur adéquation aux objectifs métier, tout en respectant les contraintes de sécurité, d’éthique, et de qualité.
• La validation (IVVQ) assure que les données produites répondent aux attentes avant leur déploiement opérationnel.
• La gestion des risques liés aux données inclut l’évaluation de leur valeur, la détection des biais, et la conformité aux normes éthiques et réglementaires.
• La collaboration interdisciplinaire et l’automatisation (ex. MLOps) sont essentielles pour assurer la fiabilité et la traçabilité dans le cycle de vie des données.

💡 À retenir

La réussite d’un système IA fiable repose sur une gestion rigoureuse et méthodique du cycle de vie des données, intégrant la qualité, la traçabilité, et la conformité à chaque étape, de l’orientation à la validation. La méthodologie Confiance.ai offre un cadre structuré pour assurer cette fiabilité dans un contexte complexe et multidisciplinaire.

📖 8. Gestion des risques & Qualité des données

🔑 Notions clés & Définitions

• Gestion des risques : Processus d'identification, d'évaluation et de mitigation des risques pouvant compromettre la fiabilité, la sécurité ou la conformité d’un système ou d’un projet de données.
• Qualité des données : Ensemble des caractéristiques permettant d’assurer que les données sont adaptées à leur usage, notamment en termes de précision, complétude, cohérence, fiabilité, et conformité aux standards.
• Risques liés aux données : Possibilités d’événements négatifs tels que la non-conformité éthique, la perte de données, ou la mauvaise qualité impactant la performance ou la confiance du système.
• Confiance en l’IA : Capacité d’un système à fonctionner de manière fiable, transparente, et conforme aux attentes des utilisateurs et réglementations, notamment via la gestion rigoureuse des risques et la qualité des données.
• Cycle de vie des données : Ensemble des étapes de gestion des données, de leur conception à leur déploiement, en passant par la collecte, le traitement, la validation, et la maintenance.

📝 Points essentiels

• La qualité des données est cruciale pour garantir la fiabilité et la performance des systèmes d’IA, notamment dans des contextes critiques.
• La gestion des risques doit couvrir l’ensemble du cycle de vie des données, en intégrant des activités d’orientation, de spécification, de développement, d’intégration, de vérification, de validation, et de déploiement.
• La méthodologie Confiance.ai propose une approche end-to-end, intégrant l’analyse opérationnelle, la définition de l’architecture, la spécification, le développement, et la validation des données.
• La traçabilité, la certification, et l’assurance qualité sont essentielles pour garantir la conformité réglementaire et la confiance des parties prenantes.
• La gestion proactive des risques inclut l’évaluation de la valeur des données, la détection de biais, la mitigation des risques éthiques, et la vérification de la conformité aux standards.
• La qualité des données repose sur des attributs fondamentaux : précision, complétude, cohérence, disponibilité, traçabilité, et respect des normes éthiques.

💡 À retenir

La gestion efficace des risques et la garantie de la qualité des données sont indispensables pour développer des systèmes d’IA fiables, éthiques, et conformes, permettant ainsi une confiance accrue des utilisateurs et une conformité réglementaire.

📖 9. Outils et visualisation des données & Dashboards

🔑 Notions clés & Définitions

• Visualisation de données : Représentation graphique ou interactive de données brutes ou traitées pour faciliter leur compréhension, leur analyse et leur communication. Exemples : graphiques, diagrammes, cartes interactives.
• Dashboard (Tableau de bord) : Interface visuelle synthétique regroupant plusieurs indicateurs clés (KPIs) pour suivre la performance ou l’état d’un système ou processus en temps réel ou à une périodicité donnée.
• Outils de visualisation : Logiciels ou bibliothèques (ex : Tableau, Power BI, Matplotlib, D3.js) permettant de créer, manipuler et interagir avec des représentations graphiques de données.
• Notions clés en visualisation : Choix du type de graphique adapté (barres, lignes, secteurs), gestion de la couleur, hiérarchisation de l’information, interactivité pour explorer les données.
• Points essentiels : La visualisation doit respecter la clarté, la simplicité et la pertinence pour transmettre efficacement l’information. La conception doit prendre en compte le public cible et l’objectif de la visualisation.
• Notion de KPI (Key Performance Indicator) : Indicateur clé permettant de mesurer la performance ou la santé d’un processus ou d’un système, souvent affiché dans un dashboard.

📝 Points essentiels

• La visualisation des données facilite la détection de tendances, anomalies et relations entre variables, ce qui est crucial pour la prise de décision.
• La conception d’un dashboard doit être centrée sur l’utilisateur, avec une hiérarchisation claire des informations et une mise en page intuitive.
• Les outils modernes offrent des fonctionnalités d’interactivité (filtres, zoom, drill-down) pour explorer en profondeur les données.
• La qualité des données (précision, actualité, cohérence) est fondamentale pour garantir la fiabilité des visualisations.
• La visualisation doit respecter les principes de communication visuelle : simplicité, cohérence, lisibilité, et éviter la surcharge d’informations.

💡 À retenir

Les outils de visualisation et dashboards sont essentiels pour transformer des données complexes en informations accessibles, facilitant ainsi la prise de décision éclairée. Leur efficacité repose sur un design adapté, la qualité des données et une compréhension claire des objectifs.

📖 10. Définition de l'ODD & Conditions d'exploitation

🔑 Notions clés & Définitions

• ODD (Operational Design Domain) : Ensemble des conditions, limites et scénarios dans lesquels un système, notamment un véhicule autonome, est conçu pour fonctionner en toute sécurité et efficacité. Il définit le contexte opérationnel précis (environnement, conditions météorologiques, types de routes, etc.).

• Conditions d'exploitation : Ensemble des paramètres et contraintes (climatiques, géographiques, techniques) qui déterminent si un système peut fonctionner dans un environnement donné. Elles assurent la conformité du système à son ODD.

• Conformité à l'ODD : Capacité d’un système à fonctionner conformément aux spécifications de son ODD, garantissant sécurité, fiabilité et performance dans ces conditions.

• Scénarios opérationnels : Situations concrètes ou cas d’usage qui illustrent l’application de l’ODD, permettant d’évaluer la capacité du système à répondre aux exigences dans des contextes variés.

• Conditions d'exploitation optimales : Situations où toutes les contraintes de l'ODD sont respectées, permettant au système d'opérer de manière sécurisée et efficace.

📝 Points essentiels

• L’ODD est crucial pour la conception, la validation et la certification des systèmes IA, notamment dans les véhicules autonomes, pour assurer leur sécurité dans des environnements spécifiques.

• La définition précise de l’ODD permet d’éviter la "zone d’incertitude" où le système pourrait échouer ou présenter des risques.

• La gestion des conditions d'exploitation implique une analyse rigoureuse des scénarios possibles, des limites environnementales et des risques associés.

• La conformité à l’ODD doit être vérifiée par des tests, simulations et analyses pour garantir la fiabilité du système dans ses conditions d’usage prévues.

• La prise en compte des scénarios extrêmes ou imprévus est essentielle pour renforcer la robustesse du système.

• La gestion dynamique de l’ODD permet d’adapter le système à des évolutions ou à des contextes changeants, tout en respectant les contraintes de sécurité.

💡 À retenir

L’ODD définit le cadre précis dans lequel un système d’IA peut fonctionner en toute sécurité, et sa maîtrise est essentielle pour garantir la fiabilité, la conformité réglementaire et la confiance dans les systèmes critiques, notamment dans le domaine des véhicules autonomes.

📊 Tableaux de Synthèse

Thème	Notions clés	Points essentiels	Limitations / Défis
Gestion des données & Approche globale	Data Engineering, Ontologies, GIGO, CRISP-DM	Structurer la gestion, transformer la donnée brute en connaissance, assurer la traçabilité	Complexité de la gouvernance, enjeux éthiques
Ingénierie des connaissances	Représentations formelles, Ontologies, Réseaux sémantiques	Formaliser la connaissance pour inférence automatique, combiner symbolique et ML	Difficulté d'acquisition, limites des systèmes symboliques
Apprentissage incrémental & Forgetting catastrophique	Apprentissage continu, Mémoire, Régularisation	Permet l’adaptation continue, gérer la stabilité vs plasticité	Forgetting, gestion de la mémoire, efficacité limitée
Évaluation de la fiabilité & Métriques	Qualité, Fiabilité, Métriques	Mesurer la confiance, assurer la qualité pour la décision	Définir des métriques pertinentes, détection des biais

⚠️ Pièges & Confusions Fréquentes

1. Confondre gestion des données et ingénierie des connaissances : ce sont deux processus complémentaires mais distincts.
2. Sous-estimer l’impact du GIGO : des données de mauvaise qualité compromettent tout le système.
3. Confondre ontologies et réseaux sémantiques : l’une est formelle et structurée, l’autre plus intuitif.
4. Ignorer le phénomène de forgetting catastrophique lors de l’apprentissage incrémental.
5. Confondre métriques de fiabilité avec métriques de performance du modèle.
6. Négliger la dimension éthique et réglementaire dans la gestion des données.
7. Croire qu’un système symbolique peut apprendre seul sans intégration avec ML.

✅ Checklist Examen

1. Définir la différence entre Data Engineering et Knowledge Engineering.
2. Expliquer le modèle DIKM et son importance pour la gestion des données.
3. Citer et décrire deux représentations formelles de la connaissance.
4. Identifier les principaux défis de l’ingénierie des connaissances.
5. Définir le phénomène de forgetting catastrophique et ses implications.
6. Présenter deux stratégies pour atténuer le forgetting dans les modèles.
7. Énumérer les critères de qualité des données.
8. Décrire une métrique permettant d’évaluer la fiabilité des données.
9. Expliquer le rôle des ontologies dans le Web sémantique.
10. Identifier les étapes clés du processus CRISP-DM.
11. Définir l’apprentissage incrémental et ses avantages.
12. Mentionner une limite majeure des systèmes symboliques.
13. Décrire comment la gestion des risques influence la fiabilité des données.
14. Citer deux outils ou techniques de visualisation des données.
15. Expliquer la notion de conditions d’exploitation des données dans le contexte ODD.