Les modèles sont dans les données : qualifier, certifier, licencier

Avec l'IA, n'importe qui écrit en quelques minutes un modèle de prévision ou un réseau de neurones. La méthode n'est plus rare ; les données le sont. Un modèle n'apprend que ce que contiennent ses données : si elles sont fausses, décalées dans le temps ou sans origine connue, le modèle l'est aussi, avec assurance. Il faut donc qualifier, certifier et licencier les données avant de les apprendre.

Les règles de base

Un exemple : Webservice-Energy

Webservice-Energy est l'infrastructure de données spatiales du centre O.I.E. (Observation, Impacts, Énergie) de Mines Paris – PSL, développée et opérée depuis près de vingt ans pour l'énergie, l'environnement et l'observation de la Terre, avec une démarche « FAIR dès la conception ». Ses principaux artisans sont Lionel Ménard et Raphaël Jolivet (contact : lionel.menard@minesparis.psl.eu, raphael.jolivet@minesparis.psl.eu).

Choisir une licence : le code et les données

D'après la réflexion menée au centre O.I.E. par Raphaël Jolivet. La pratique courante est binaire : tout fermer quand on espère une valorisation commerciale, tout ouvrir (CC BY, MIT, Apache, BSD) sinon. Elle repose sur une estimation faite trop tôt, et elle bride la diffusion des travaux que l'on croit devoir protéger, alors que c'est souvent leur diffusion qui crée des débouchés. Une voie intermédiaire existe : les licences non commerciales (CC BY-NC pour les données, PolyForm Noncommercial pour le code). Elles ne sont pas « open source » au sens de l'OSI, mais elles restent compatibles avec l'accès ouvert académique et la reproductibilité, tout en gardant possible une valorisation future.

L'arbre ci-dessous est un exemple, rien de figé : chaque centre de recherche l'adapte à ses contrats, à ses partenaires et à la politique de son établissement.

Quelle licence ? L'arbre de décision

Préalable : l'accord de tous les titulaires de droits.

Un exemple. Un code de prévision développé sur fonds propres, sans contrainte de diffusion, avec un potentiel industriel et sans dépendance GPL : « non » à la confidentialité, « non » à l'ouverture imposée, « non » à la revue logicielle, donc licence non commerciale. Le même code publié dans SoftwareX passerait sous une licence open source.

Orientation, pas un avis juridique : la politique de l'établissement et les contrats priment. Pour citer ou réutiliser nos travaux : Citer et réutiliser.

Glossaire

FAIR
Trouvable, accessible, interopérable, réutilisable : quatre principes pour que des données servent au-delà de ceux qui les ont produites.
Métadonnées
Les données qui décrivent les données : origine, instrument, unités, période, pas de temps, traitements, licence.
DOI
Identifiant pérenne d'un objet numérique (article, jeu de données, logiciel) ; l'adresse reste valable même si le site change. DataCite en attribue aux données de la recherche.
OGC
Open Geospatial Consortium : normes ouvertes des services géographiques, dont WMS (cartes), WFS (objets), WCS (grilles) et WPS (traitements à distance).
INSPIRE, ISO 19115
La directive européenne sur l'information géographique et la norme internationale de ses métadonnées.
THREDDS, OPeNDAP
Un serveur de données scientifiques et le protocole qui permet d'en lire seulement la partie utile (une zone, une période) sans tout télécharger.
NetCDF-CF
Un format de fichier pour les grilles et séries scientifiques, avec des conventions (CF) qui fixent noms de variables, unités et coordonnées.
STAC
SpatioTemporal Asset Catalog : une façon standard de cataloguer images satellite et données « cloud-native ».
GEO, Copernicus, CAMS, C3S
Le Group on Earth Observations (partenariat intergouvernemental), le programme européen d'observation de la Terre et deux de ses services : atmosphère (CAMS) et changement climatique (C3S).
CC BY
Licence Creative Commons Attribution : chacun peut copier, modifier et réutiliser, y compris commercialement, à condition de citer l'auteur. Pensée pour les textes, figures et données.
CC BY-NC
La même, réservée aux usages non commerciaux.
MIT
Licence de logiciel très permissive : usage, modification, redistribution et vente libres, à condition de garder la mention de copyright et le texte de la licence ; aucune garantie.
Apache 2.0
Permissive comme MIT, avec en plus une licence explicite sur les brevets des contributeurs et l'obligation de signaler les fichiers modifiés.
BSD
Famille de licences permissives proches de MIT ; la version à trois clauses interdit en plus d'utiliser le nom des auteurs pour promouvoir un produit dérivé.
GPL
Licence « copyleft » : tout logiciel dérivé distribué doit l'être sous GPL, avec son code source.
PolyForm Noncommercial
Licence de logiciel qui autorise tout usage non commercial : usage personnel, recherche, expérimentation, enseignement, et usage par des organisations non commerciales (établissements d'enseignement, recherche publique, associations, administrations). L'usage commercial demande un autre accord avec l'auteur. La licence doit accompagner le code redistribué.
Open source (OSI)
Définition de l'Open Source Initiative : une licence open source ne peut restreindre aucun domaine d'usage ; une licence non commerciale n'est donc pas « open source », même si le code est ouvert à la lecture.