Cartographie des données pour l'IA : méthode et cadre suisse

Cartographier des données pour l'IA recouvre deux chantiers distincts, et un projet sérieux doit mener les deux. Le premier est géospatial : annoter, structurer et documenter des données géographiques pour qu'un modèle puisse les lire. Le second est organisationnel : établir la carte de vos propres données (où elles sont, qui y accède, où elles voyagent) avant de les confier à un outil d'IA. En Suisse, ce second chantier est encadré par la nouvelle loi sur la protection des données (nLPD).

Cet article détaille les deux, avec des exemples tirés des données de swisstopo et de l'Office fédéral de la statistique (OFS), puis une méthode d'inventaire applicable dès cette semaine dans une fiduciaire, une étude, un cabinet médical ou un service RH.

Nectos

Gardez vos données en Suisse

Nectos propose un espace de travail IA hébergé sur des serveurs suisses, avec des modèles locaux et une conformité à la nLPD.

Découvrir Nectos

En bref

L'annotation géospatiale ajoute aux données géographiques des catégories, positions et étendues pour que l'IA puisse les interpréter et s'entraîner.
La qualité des étiquettes pèse autant que le volume : l'OFS comme les chercheurs suisses en généralisation cartographique le soulignent.
Des formats ouverts, des métadonnées standardisées et un nettoyage préalable rendent un jeu de données réellement « prêt pour l'IA ».
Avant d'utiliser un assistant IA, cartographiez vos propres flux de données : la nLPD s'applique directement aux traitements fondés sur l'IA.
Un espace de travail IA hébergé en Suisse, comme une alternative à ChatGPT, réduit le risque de transfert transfrontalier de ces données.

Table des matières

Deux sens de « cartographier pour l'IA »
L'annotation géospatiale : ce que l'IA a besoin de voir
Quelles données collecter et comment les préparer
La qualité des annotations décide de la précision
Rendre une carte compréhensible pour un modèle
Cartographier vos propres données avant de les confier à une IA
Notre point de vue : la carte précède l'outil
Passer de la carte à l'action avec Nectos
FAQ
Sources

Deux sens de « cartographier pour l'IA »

Les requêtes sur ce sujet mélangent deux réalités. Dans le premier cas, la carte est l'objet : des images aériennes, des nuages de points ou des couches vectorielles servent à entraîner ou à alimenter un modèle. Dans le second, la carte est l'outil : vous dressez le plan de vos données internes (dossiers clients, contrats, comptes rendus, données de santé) pour savoir lesquelles peuvent, ou ne peuvent pas, entrer dans un outil d'IA.

Un bureau d'ingénieurs géomètres s'intéresse surtout au premier. Une étude d'avocats ou une fiduciaire a besoin du second. Une commune ou un cabinet de conseil en aménagement du territoire a besoin des deux : les données géographiques y côtoient des données personnelles, par exemple des parcelles liées à des propriétaires.

L'annotation géospatiale : ce que l'IA a besoin de voir

Une image satellite brute ne dit rien à un modèle. L'annotation géospatiale consiste à ajouter des métadonnées contextuelles ou descriptives aux données géographiques pour les rendre exploitables : on marque des éléments précis (routes, bâtiments, végétation) et on leur associe une catégorie, une position ou une étendue. C'est ce qui permet ensuite d'entraîner un modèle à identifier et à prédire ces éléments.

Un exemple suisse l'illustre bien. Dans le produit swissSURFACE3D de swisstopo, chaque mesure possède des coordonnées X, Y et Z et appartient à une classe prédéfinie qui renseigne sur la nature de l'objet mesuré. Le point n'est donc pas seulement un point : c'est un point de sol, de végétation ou de bâtiment.

Le projet ADELE en est une application concrète. Il utilise le deep learning pour classer l'occupation du sol en 46 classes et la couverture du sol en 27 classes, à partir d'images aériennes, de modèles numériques de hauteur et du cadastre. Les usages décrits sont la classification de l'occupation et de la couverture du sol, ainsi que la détection de leurs changements.

Les types d'annotations courants

Selon la tâche, on retrouve en pratique :

La classification : une catégorie par image, par maille ou par point (forêt, bâti, eau).
La délimitation : le contour d'un objet, par exemple l'emprise d'un bâtiment.
Le tracé linéaire : routes, cours d'eau, réseaux.
L'attribut : une information complémentaire attachée à l'objet (type, usage, date).

L'IGN observe par ailleurs que les outils d'annotation sont souvent collaboratifs et distribués, car les modèles d'apprentissage profond exigent de grands volumes de données étiquetées. Cela a une conséquence directe : plusieurs personnes touchent à vos données, ce qui renvoie à la question de l'accès, traitée plus bas.

Quelles données collecter et comment les préparer

Le réflexe courant est de collecter beaucoup. Le bon réflexe est de partir de l'objectif : quelle décision le modèle doit-il éclairer ? Un guide de la Banque des Territoires rappelle qu'avant l'entraînement, il faut définir les objectifs, nettoyer les données brutes (doublons, erreurs) et transformer les données non structurées. Ce document décrit le contexte français, mais la logique de préparation vaut aussi en Suisse.

Des sources suisses structurées

Plusieurs jeux de données officiels servent de base solide :

swissSURFACE3D : un nuage de points issu du LiDAR aéroporté, avec des points classifiés, des coordonnées X, Y, Z précises, une intensité normalisée et un temps GPS.
swissTLM3D : un modèle vectoriel 3D qui décrit la situation, la forme, le type d'objet et des attributs supplémentaires pour plus de 21 millions d'objets. Il sert de référence pour les systèmes d'information, les analyses, les simulations et les statistiques.
Les noms géographiques : stockés dans le modèle topographique du paysage, ils sont utilisés pour la recherche sur map.geo.admin.ch, et des règles fixent leur placement selon l'échelle. Une IA qui doit répondre à une question sur un lieu s'appuie utilement sur cette nomenclature.

Formats et métadonnées

Pour qu'une machine lise vos données, l'OFS recommande dans son guide de publication des données ouvertes des formats ouverts et lisibles par machine, comme CSV et JSON, décrits par des métadonnées standardisées DCAT-AP CH. Même pour un jeu de données purement interne, appliquer cette discipline évite des semaines de reprise.

Le plan d'action suisse pour l'IA va dans le même sens. Les données « AI-ready » y sont des jeux de données de haute qualité, documentés et enrichis pour leurs usages prévus. Le même document prévoit des métadonnées dynamiques et interopérables, avec versions et horodatages, ainsi que l'harmonisation de la sémantique par des classifications, des ontologies ou des schémas.

Une liste de contrôle avant l'entraînement

Étape	Question à se poser	Résultat attendu
Objectif	Quelle décision le modèle doit-il appuyer ?	Périmètre de données limité
Nettoyage	Doublons, erreurs, géométries invalides ?	Jeu de données propre
Format	CSV, JSON ou format géospatial ouvert ?	Lecture par machine sans conversion manuelle
Métadonnées	Source, date, version, système de coordonnées ?	Traçabilité complète
Mise à jour	Qui rafraîchit la donnée, à quelle fréquence ?	Gouvernance explicite

Cette dernière ligne est la plus sous-estimée. Des experts territoriaux soulignent que la mise à jour dynamique des données géographiques, comme l'état du trafic, est chronophage et suppose une gouvernance robuste de la donnée.

La qualité des annotations décide de la précision

Un modèle apprend ce qu'on lui montre. Si les étiquettes sont approximatives, les prédictions le seront aussi.

L'OFS en offre un cas instructif. Pour les statistiques suisses de l'utilisation du sol, des interprétations humaines d'images aériennes servent à entraîner l'IA. L'office précise que cette tâche exige une grande précision et que des informations supplémentaires peuvent être nécessaires lorsque des catégories se ressemblent visuellement, par exemple deux types de surfaces vues du ciel.

En généralisation cartographique, les chercheurs de l'Université de Zurich font un constat voisin : les jeux de données utilisés sont déséquilibrés selon les opérateurs et ne comportent pas d'annotations claires des opérateurs appliqués. Ils plaident pour des données équilibrées et des métadonnées explicites. Un jeu de données ouvert, constitué avec swisstopo, doit d'ailleurs contenir les transitions de généralisation des bâtiments et des routes aux échelles 1:25k, 1:50k et 1:100k.

Enfin, la précision dépend de ceux qui annotent : des praticiens estiment que la qualité des annotations géospatiales tient à la formation des personnes chargées de l'étiquetage. Rédigez donc un guide d'annotation court, avec des exemples de cas limites, et faites relire un échantillon par une seconde personne.

Rendre une carte compréhensible pour un modèle

Pour qu'une carte soit utile à l'IA, il faut associer aux éléments géographiques des étiquettes ou catégories et des informations contextuelles afin de structurer les données et de les rendre interprétables. Une couche sans nom, sans description et sans unité reste muette.

Le prototype suisse Ageospatial montre où mène cette discipline. Un utilisateur formule une demande en langage courant ; l'agent choisit les couches pertinentes, exécute les opérations spatiales et renvoie une carte et une réponse textuelle. Chaque couche y est présentée avec un nom, un titre et une courte description. Un mode automatique prend les décisions, un mode expert laisse l'utilisateur choisir les couches et ajuster filtres et opérations.

La leçon est pratique : les trois lignes de description d'une couche valent davantage qu'un modèle plus puissant. La stratégie suisse de géoinformation prépare d'ailleurs le terrain avec la plateforme SWISSGEO, qui doit centraliser l'accès aux géodonnées et favoriser l'usage de l'IA. Elle mise sur l'interopérabilité géométrique et sémantique pour réduire les obstacles juridiques au flux de données entre Confédération et cantons.

Rendre une carte compréhensible pour un modèle — overview diagram

Cartographier vos propres données avant de les confier à une IA

Le second sens du mot est celui qui engage votre responsabilité. Un collaborateur qui colle un contrat, un dossier patient ou une liste de salariés dans un assistant en ligne fait voyager une donnée vers des serveurs dont vous ne maîtrisez ni le lieu ni le droit applicable.

Transfert de données sensibles vers des serveurs externes

Le cadre est clair : la loi fédérale sur la protection des données, en vigueur depuis le 1er septembre 2023, s'applique directement aux traitements de données fondés sur l'IA, selon le Préposé fédéral à la protection des données et à la transparence (PFPDT). Il n'existe pas de zone grise réservée à l'IA.

Une méthode en cinq étapes

Inventorier les usages. Listez qui utilise quel outil d'IA, y compris à titre personnel. Les usages « fantômes » sont fréquents chez les employés qui utilisent ChatGPT en privé et l'appliquent au travail.
Classer les données. Distinguez données publiques, internes, personnelles, sensibles et couvertes par le secret professionnel (avocats, médecins, fiduciaires).
Tracer les flux. Pour chaque catégorie, notez où la donnée est stockée, traitée et journalisée, et si elle quitte la Suisse.
Décider par catégorie. Par exemple : données publiques autorisées partout, données personnelles uniquement dans un environnement hébergé en Suisse, données sous secret professionnel avec anonymisation préalable et journal d'audit.
Documenter et réviser. Datez la cartographie, nommez un responsable et révisez-la à chaque nouvel outil.

Le réflexe de l'analyse d'impact

Les autorités appliquent cette logique à elles-mêmes. Dans son rapport d'activité 2021/22, le PFPDT a demandé à l'Office fédéral de l'informatique et de la télécommunication de réaliser une analyse d'impact relative à la protection des données lors de la mise en place de réseaux de connaissances fondés sur l'IA. Si l'administration fédérale s'y plie, une PME qui constitue une base de connaissances interne peut s'en inspirer.

Le cas des données agrégées montre l'autre face de la règle. Le PFPDT a estimé que le traitement par Swisscom, et la transmission à l'OFSP, de visualisations de données de mobilité agrégées et anonymes ne contrevenaient pas au droit suisse de la protection des données. L'anonymisation réelle, et non cosmétique, change la nature du traitement.

Attention aux données géographiques croisées avec des personnes : une parcelle rattachée à un propriétaire, un trajet rattaché à un employé ou une adresse de patient redeviennent des données personnelles. Votre cartographie doit les repérer.

Notre point de vue : la carte précède l'outil

Nous voyons le même schéma dans les organisations suisses : l'outil d'IA est choisi en premier, la cartographie des données vient après un incident, ou jamais. Nous pensons qu'il faut inverser l'ordre.

Une bonne cartographie répond à trois questions simples. Quelles données ont le droit d'entrer dans un assistant ? Où sont-elles traitées ? Qui peut prouver, journal à l'appui, ce qui s'est passé ? Si votre outil ne permet pas de répondre à la troisième, la conformité reste déclarative.

C'est pourquoi nous avons conçu Nectos autour de la souveraineté : un espace de travail IA dont les données sont traitées exclusivement en Suisse, sous droit suisse, sur une infrastructure cloud suisse (Hidora), sans entraînement sur les données clients. L'anonymisation automatique des prompts, la gestion des rôles et les journaux d'audit exportables traduisent votre cartographie en règles appliquées, pas en simple document. Pour le fondement juridique de cette approche, nous l'expliquons dans notre page sur la souveraineté suisse comme garantie légale.

— Nectos

Passer de la carte à l'action avec Nectos

Une fois vos catégories de données définies, il vous faut un environnement qui les respecte. Nectos réunit chat IA privé, analyse de documents, base de connaissances privée, transcription de réunions et recherche web anonymisée, avec un contrôle d'accès administrateur. Si vous cherchez une alternative à ChatGPT adaptée au droit suisse, la comparaison détaillée se trouve sur Nectos face à ChatGPT, et nos mesures de protection sont décrites sur la page sécurité.

Les formules Starter (29.90 CHF par mois et par siège), Pro (49.90 CHF) et Pro+ (99.90 CHF) permettent de commencer par un petit groupe pilote, par exemple la direction ou le service juridique, avant d'étendre l'usage. Une formule d'essai est également proposée sur la même page.

FAQ

Qu'est-ce que la cartographie des données pour l'IA ?

Elle désigne soit l'annotation et la structuration de données géographiques pour qu'un modèle les exploite, soit l'inventaire des données d'une organisation avant l'usage d'un outil d'IA. Dans les deux cas, il s'agit de rendre la donnée identifiable, documentée et maîtrisée. Les projets sérieux combinent les deux.

Quels formats de données géographiques convient-il d'utiliser ?

Privilégiez des formats ouverts et lisibles par machine, comme CSV ou JSON, accompagnés de métadonnées standardisées. C'est la recommandation de l'OFS pour les données ouvertes suisses. Ajoutez la source, la date, la version et le système de coordonnées.

La nLPD s'applique-t-elle aux données traitées par une IA ?

Oui. Le PFPDT indique que la loi en vigueur depuis le 1er septembre 2023 s'applique directement aux traitements fondés sur l'IA. Si vos jeux de données contiennent des informations sur des personnes identifiables, y compris des données de localisation, les règles ordinaires s'appliquent.

Faut-il anonymiser avant de soumettre un document à un assistant IA ?

Pour les données personnelles ou couvertes par le secret professionnel, c'est une précaution à prévoir dans votre cartographie, en complément d'un hébergement en Suisse. En cas de doute sur un cas précis, consultez votre conseiller en protection des données ou un juriste. L'anonymisation doit être réelle : un nom remplacé mais une adresse conservée n'anonymise rien.

Par où commencer dans une PME ?

Commencez par la liste des outils d'IA réellement utilisés, officiellement ou non, puis classez les données qu'ils reçoivent. Une demi-journée avec un responsable métier et un responsable informatique suffit pour une première version. Révisez-la à chaque nouvel outil.