Par Marie Bourdon, Linguiste TAL Séniore, Responsable des projets sémantiques chez Coginov 

Un ou une linguiste d’expérience peut jouer un rôle clé dans l’optimisation d’un système de l’apprentissage automatique pour l’identification des données personnelles et sensibles dans les documents d’une organisation. Voici quelques exemples de la contribution à cette optimisation : 

1. Définition des règles de traitement linguistique : Un ou une linguiste d’expérience peut collaborer avec les experts en apprentissage automatique pour définir les règles de traitement linguistique appropriées pour le système. Cela peut inclure l’identification de modèles de langage, la détection de structures syntaxiques et de variantes morphologiques, la détermination de la longueur et le type de séquences de n-grams à prendre en compte, la compréhension des nuances et des subtilités du langage utilisé dans les documents, le renforcement et la création de règles spécifiques pour l’identification des données personnelles et sensibles. 
2. Annotation des données d’entraînement : Un ou une linguiste d’expérience peut participer à l’annotation des données d’entraînement nécessaires pour former le modèle d’apprentissage automatique. Cela peut impliquer l’élaboration de règles automatiques d’annotation ou l’identification manuelle des données personnelles et sensibles dans un ensemble de documents, en utilisant sa connaissance de la langue et des concepts associés à la protection des données personnelles.  
3. Validation des résultats du modèle : Une fois que le modèle d’apprentissage automatique est entraîné, un ou une linguiste d’expérience peut participer à la validation des résultats du modèle. Cela peut inclure l’examen des prédictions du modèle et l’évaluation de leur précision en comparaison avec les données réelles. En cas d’erreurs, un ou une linguiste d’expérience peut analyser les raisons possibles et proposer des améliorations pour optimiser la performance du modèle.
4. Adaptation aux spécificités linguistiques : Un ou une linguiste d’expérience peut également prendre en compte les spécificités linguistiques propres à l’organisation ou au domaine d’activité dans lequel le système est déployé. Cela peut inclure la prise en compte des jargons professionnels, des termes techniques, des abréviations ou des variations linguistiques spécifiques à une région ou à une culture. Un ajustement du modèle en fonction de ces spécificités peut contribuer à améliorer sa précision et son efficacité.
5. Détection de nouveaux défis linguistiques : Les langues évoluent constamment, et de nouveaux défis linguistiques peuvent émerger avec l’utilisation de nouvelles technologies, de nouveaux termes ou de nouvelles pratiques linguistiques. Un ou une linguiste d’expérience peut être attentif/attentive à ces évolutions et proposer des mises à jour du modèle d’apprentissage automatique en conséquence pour continuer à optimiser son efficacité dans la détection des données personnelles et sensibles.
   
   

En somme, un ou une linguiste d’expérience peut apporter une expertise linguistique précieuse pour optimiser le modèle d’apprentissage automatique utilisé dans un système d’identification des données personnelles et sensibles tel que QoreAudit dans les documents d’une organisation. 

Notre produit QoreAudit est un outil puissant qui fournit une vue complète des actifs informationnels d’une organisation, peu importe la provenance des documents.  De plus, grâce à sa grande précision et ses calculs à la fine pointe, il permet d’identifier les renseignements personnels contenus dans chaque document, de les catégoriser et d’établir un degré de dangerosité pour chaque document en fonction de son contenu. Cela permet ensuite aux organisations d’adopter un plan d’action adéquat pour effectuer la gestion de ces documents.