Fiches sur la transparence d’Autodesk AI

Les noms du produit Autodesk et de la fonctionnalité d’IA sont indiqués en haut de la fiche, sous le titre « Fiche sur la transparence de l’IA ».

• Nom du produit Autodesk (Autodesk Forma, par exemple)
• Fonctionnalité d’IA du produit (Analyse du carbone incorporé, par exemple)

La description de la fiche résume les actions que la fonctionnalité d’IA permet d’exécuter lors de son utilisation dans le produit.

En utilisant l’un des trois termes suivants, la fonctionnalité décrit la technologie d’IA et/ou d’apprentissage automatique qui améliore la fonctionnalité d’IA :

• Automatisation : Autodesk AI réduit les tâches répétitives en automatisant les étapes qui impliquaient auparavant du travail manuel ou une surcharge importante. Cela permet de réduire les erreurs et de libérer davantage de temps pour la création et l’innovation.
• Analyse : Autodesk AI fournit des informations exploitables aux utilisateurs finaux lorsqu’ils doivent gérer des quantités massives de données complexes, les aidant ainsi à identifier en temps réel les données les plus importantes pour créer les solutions les plus intelligentes.
• Augmentation : Autodesk AI optimise l’exploration créative et la résolution de problèmes en améliorant la vitesse, la qualité et l’étendue du raisonnement grâce à une compréhension contextuelle.  

La source de modèle décrit le type de source à partir duquel le modèle a été développé pour alimenter la fonctionnalité d’IA :

• Propriétaire : le modèle d’intelligence artificielle ou d’apprentissage automatique a été développé en interne par Autodesk.
• Open source : Autodesk utilise un modèle d’IA ou d’apprentissage automatique développé par un tiers qui l’a mis à la disposition du public.
• Sous licence : Autodesk possède une licence l’autorisant à utiliser le modèle d’intelligence artificielle ou d’apprentissage automatique développé par un tiers.
• Combinaison : une partie du modèle d’IA ou d’apprentissage automatique a été développée en interne par Autodesk, et l’autre partie par un tiers (open source et/ou sous licence).

Dans chaque fonctionnalité d’IA, des modèles sous-jacents utilisent des méthodes, des approches et des techniques pour apprendre à partir des données, trouver des schémas, effectuer des tâches et produire des résultats. Nous exploitons des techniques qui amélioreront la qualité et la valeur de nos produits pour les clients. Ces techniques sont en constante évolution. Nous en utilisons parfois plusieurs, mais certaines ne sont pas énumérées ici. Ce champ décrit la technique principale employée pour développer la fonctionnalité d’IA :

• Transformeur : cette technique d’apprentissage automatique est conçue pour traiter et analyser les données afin d’effectuer plus efficacement des tâches séquentielles, telles que la traduction.
• Codage : ce processus de conversion des données dans un format spécifique peut être traité efficacement par des modèles d’apprentissage automatique.
• Classification : grâce à cette technique d’apprentissage supervisé, il est possible de classer des éléments dans des catégories prédéfinies et de prédire la catégorie des nouvelles observations en fonction de données historiques.
• Réseau neuronal à réaction anticipative : dans cette technique d’apprentissage profond, les informations circulent dans un sens, d’une couche d’entrée vers une couche de sortie, sans cycles ni boucles.
• IA prédictive : avec cette technique d’IA, l’apprentissage s’effectue à partir des données pour réaliser des prévisions informées sur des événements ou des résultats futurs en fonction de données et de modèles historiques (prévision de résultats, prise de décisions, fourniture d’informations, etc.).
• Algorithme génétique : cette méthode de résolution des problèmes d’optimisation sous et sans contrainte repose sur des concepts de sélection naturelle.
  • Les problèmes d’optimisation sous contrainte utilisent des conditions ou des limites logiques que la solution d’un problème doit prendre en compte. Ils reflètent les limites réelles d’éléments tels que la capacité de production, les stocks, l’espace disponible, etc.
  • Les problèmes d’optimisation sans contrainte concernent les situations dans lesquelles aucune limite ou condition prédéfinie n’est à prendre en compte pour une solution.
• Diffusion par transformeur : cette technique de transformeur (voir la définition précédente de transformeur) génère des données par inversion d’un processus de diffusion en ajoutant progressivement du bruit aux données.

Signalée par « oui » ou « non », elle décrit si la sortie générée peut être examinée ou mise à jour par l’utilisateur avant qu’une action finale ne soit effectuée. C’est ce qu’on appelle également « l’humain dans la boucle ».

Cette section indique si des données personnelles sont présentes dans les jeux de données d’entraînement, de test ou de validation utilisés pour le développement de cette fonctionnalité. 

Sur une fiche, la source de données identifie les types de sources de données utilisés pour le développement de cette fonctionnalité. Il s’agit notamment des données employées pour entraîner le modèle qui alimente la fonctionnalité d’IA. Les types de sources sont classés comme suit :

• Open source : ces données sont librement accessibles à des fins d’utilisation, de modification et de distribution sous licence ouverte.
• Contenu client : il s’agit des données que le client ou ses utilisateurs autorisés soumettent ou chargent dans le produit, telles que définies sous la désignation « Votre contenu » dans les conditions générales d’utilisation d’Autodesk.
• Données synthétiques : ces données sont générées par un système ou un modèle capable d’imiter la structure et les propriétés statistiques des données réelles.
• Données commerciales : ces données ont été achetées et/ou acquises auprès d’un tiers sous licence restrictive.
• Combinaison : plusieurs catégories de sources de données ont été utilisées.
• Entraînement par le client : le client a effectué l’entraînement et utilisé ses propres données propriétaires.

Plusieurs choix sont proposés : Accepter/Refuser, Non ou N/A. Ces étiquettes identifient les choix disponibles pour les clients et/ou leurs utilisateurs lorsque leurs données sont utilisées pour le développement ou l’amélioration de la fonctionnalité d’IA.

• Accepter/Refuser : le client peut choisir d’accepter ou de refuser l’utilisation de ses données pour le développement ou l’amélioration de la fonctionnalité.
• Non : aucun choix n’est proposé.
• N/A : aucun choix n’est applicable, car aucun contenu client n’est utilisé pour le développement ou l’amélioration de la fonctionnalité.

Nous fournissons des informations sur deux types de chiffrements : le chiffrement au repos et le chiffrement en transit. Ces deux éléments sont accompagnés des options Oui ou Non.

• Chiffrement au repos : indique si les données sont chiffrées dans les bases de données dans lesquelles elles sont conservées. Tous les chiffrements au repos appliquent la longueur de clé AES (Advanced Encryption Standard) de 256 bits, également connue sous le nom d’AES-256.
• Chiffrement en transit : indique si les données sont chiffrées lors de leur transmission d’un point vers un autre. Autodesk applique le chiffrement en transit via le chiffrement standard HTTPS, RSA avec AES-256, avec TLS 1.2 (minimum).

Cette section de la fiche indique, le cas échéant, quels autres mécanismes importants sont utilisés pour assurer la confidentialité et la protection des données, en plus de nos mécanismes de sécurité standard. Ces garanties s’appliquent à la fois aux données personnelles et aux données d’entreprise.

• Tokenisation  : les séquences d’informations contenues dans les données sont divisées en unités plus petites appelées « tokens ».
• Dépersonnalisation : les identificateurs sont supprimés des données et remplacés par des valeurs fictives.
• Anonymisation : le jeu de données ne contient aucune information identifiable et il n’existe aucun moyen de relier ces informations à des informations identifiables.