Intelligence artificielle et données personnelles : pourquoi les supprimer est si difficile ?

1. Comment l'intelligence artificielle peut mettre en danger les données personnelles

Les systèmes d'intelligence artificielle peuvent traiter des informations personnelles de différentes manières. Les données peuvent être collectées sur des sites web accessibles au public, fournies directement par les utilisateurs, importées depuis des bases de données d'entreprises ou obtenues auprès de fournisseurs tiers. Selon le système concerné, elles peuvent servir à entraîner un modèle, à améliorer ses performances, à personnaliser ses réponses ou à lui fournir du contexte par l'intermédiaire de bases de données connectées et d'outils externes.

Le fait qu'une information soit accessible publiquement ne signifie pas automatiquement qu'elle peut être collectée et réutilisée sans restriction. Les données personnelles restent soumises aux règles applicables en matière de protection des données, notamment aux exigences relatives à la licéité du traitement, à la transparence, à la limitation des finalités et à la minimisation des données.

L'un des principaux risques réside dans le manque de visibilité dont disposent les individus sur l'utilisation de leurs informations. Une personne peut publier une biographie professionnelle, une adresse e-mail, une photographie ou un témoignage personnel sur un site web sans imaginer que ces informations puissent être collectées pour entraîner une IA ou reproduites dans une réponse générée.

L'intelligence artificielle présente également des risques qui vont au-delà de la simple collecte de données. Certains systèmes peuvent déduire des caractéristiques sensibles, reproduire des informations issues de leurs données d'entraînement ou exposer des informations fournies par des utilisateurs au moyen d'applications connectées. Les risques réels dépendent du modèle, de son processus d'entraînement, de sa configuration et des mesures de protection mises en place par son fournisseur.

Les principaux risques à connaître :

• Collecte des données : des informations personnelles peuvent être récupérées sur des sites publics et d'autres sources sans que les personnes comprennent pleinement les réutilisations possibles.
• Divulgation involontaire : certains modèles peuvent reproduire des informations issues de leurs données d'entraînement, tandis que des applications connectées peuvent exposer des données en raison de contrôles d'accès insuffisants.
• Déduction d'informations sensibles : les systèmes d'IA peuvent déduire certaines caractéristiques personnelles à partir d'informations apparemment ordinaires.
• Perte de contrôle : les informations peuvent être copiées, transférées ou réutilisées par plusieurs organisations, ce qui complique l'identification de tous les endroits où elles sont conservées.
• Persistance de l'exposition : supprimer une information de sa source ne supprime pas nécessairement toutes les copies existantes ni toutes les influences qu'elle peut avoir sur un modèle entraîné.

2. Pourquoi supprimer une donnée d'une IA est différent de supprimer un enregistrement dans une base de données

Dans une base de données traditionnelle, les informations sont généralement stockées dans des enregistrements identifiables. Lorsqu'une personne demande la suppression d'un enregistrement et que les conditions légales sont réunies, un administrateur peut retrouver l'entrée concernée et la supprimer, sous réserve des obligations de conservation applicables et de la gestion des sauvegardes, des répliques et des autres copies.

Un modèle d'IA entraîné fonctionne différemment. Pendant l'entraînement, le modèle ajuste ses paramètres à partir des régularités apprises dans de grandes quantités de données. Au lieu de conserver chaque document source sous la forme d'un enregistrement directement accessible, il utilise ces paramètres pour produire des prédictions ou des réponses. L'influence d'une information peut donc être répartie dans le modèle plutôt que concentrée dans un emplacement identifiable.

Cela ne signifie pas qu'un modèle d'IA ne peut jamais mémoriser des informations individuelles. Certains modèles peuvent reproduire des éléments issus de leurs données d'entraînement, notamment dans certaines conditions d'entraînement ou lorsque les informations sont répétées ou particulièrement distinctives. Il reste toutefois généralement difficile de déterminer précisément si les informations d'une personne ont été mémorisées, où se situe leur influence et comment la supprimer sans affecter d'autres capacités du modèle.

Supprimer un enregistrement dans la base de données d'origine ou retirer une page web ne modifie pas automatiquement les paramètres d'un modèle déjà entraîné. L'information peut ne plus être disponible à sa source alors que son influence subsiste dans le modèle, selon ce qu'il a appris et sa capacité à reproduire cette information.

Cette distinction est fondamentale : supprimer un enregistrement revient à retirer une information d'un emplacement de stockage donné, tandis que supprimer son influence dans un modèle entraîné peut nécessiter un processus technique différent. Même lorsqu'un modèle ne reproduit plus une information particulière, cela ne prouve pas à lui seul que toute trace ou influence de cette donnée a disparu.

Trois niveaux distincts de suppression des données :

• Suppression à la source : retirer les informations personnelles du site web, de l'application ou de la base de données d'origine.
• Suppression des données d'entraînement : retirer les informations des jeux de données utilisés pour entraîner ou réentraîner un modèle, ainsi que des copies concernées lorsque cela est applicable.
• Suppression au niveau du modèle : utiliser des techniques adaptées pour éliminer ou réduire l'influence des informations dans un modèle déjà entraîné, puis évaluer l'efficacité du résultat.

3. Le droit à l'effacement prévu par le RGPD

Le Règlement général sur la protection des données (RGPD) accorde aux personnes un droit de demander l'effacement de leurs données personnelles sous certaines conditions. L'article 17 consacre ce droit, souvent appelé droit à l'oubli. Il peut notamment s'appliquer lorsque les données ne sont plus nécessaires au regard de leur finalité initiale, lorsque le consentement est retiré et qu'aucune autre base légale ne justifie le traitement, ou lorsque les données ont été traitées illicitement.

Ce droit n'est pas absolu. Des exceptions peuvent s'appliquer, notamment lorsque le traitement est nécessaire au respect d'une obligation légale, à l'exercice du droit à la liberté d'expression et d'information, à certaines missions d'intérêt public ou à la constatation, à l'exercice ou à la défense de droits en justice. Chaque demande doit être examinée en fonction de son contexte juridique.

Le RGPD peut s'appliquer aux données personnelles utilisées pour développer ou exploiter des modèles d'IA. Dans son avis 28/2024, le Comité européen de la protection des données (CEPD) examine notamment les conditions dans lesquelles un modèle d'IA peut être considéré comme anonyme, le recours éventuel à l'intérêt légitime comme base légale et les conséquences d'un traitement illicite de données personnelles lors du développement d'un modèle.

Le fait qu'une information ait été intégrée à un modèle ne rend pas automatiquement le RGPD inapplicable. Inversement, le dépôt d'une demande d'effacement ne signifie pas que chaque modèle doit systématiquement être réentraîné ou que toute demande doit nécessairement être acceptée. Il faut tenir compte de la base juridique applicable, des risques, des circonstances techniques et des mesures disponibles.

La CNIL explique que les personnes peuvent, sous certaines conditions, exercer des droits tels que l'effacement et l'opposition concernant les jeux de données d'entraînement et les modèles d'IA. Elle souligne également les difficultés techniques et économiques liées à la mise en œuvre de ces droits au niveau des modèles.

Ressources juridiques essentielles :

• RGPD, article 17 : droit à l'effacement et conditions d'application. https://eur-lex.europa.eu/eli/reg/2016/679/oj
• CNIL : respecter et faciliter l'exercice des droits des personnes dans le contexte de l'IA. https://www.cnil.fr/fr/ia-respecter-lexercice-des-droits-des-personnes
• Comité européen de la protection des données : avis 28/2024 sur le traitement des données personnelles dans le contexte des modèles d'IA. https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-282024-certain-data-protection-aspectsfr

4. Le désapprentissage machine : une IA peut-elle oublier des données personnelles ?

Le désapprentissage machine, ou machine unlearning, est un domaine de recherche qui vise à supprimer ou à réduire l'influence de certains exemples d'entraînement dans un modèle d'apprentissage automatique. Il cherche à résoudre un problème que la suppression traditionnelle dans une base de données ne permet pas de régler : que faire lorsque des données ont déjà influencé les paramètres d'un modèle ?

Une approche possible consiste à réentraîner un modèle à partir d'un jeu de données corrigé, dont les informations concernées ont été retirées. Lorsque les données d'entraînement initiales et le processus d'entraînement sont disponibles, cette méthode peut permettre d'éliminer la contribution de certaines données. Toutefois, le réentraînement peut être coûteux en ressources informatiques, prendre du temps et se révéler difficile à réaliser pour les grands modèles.

D'autres approches cherchent à modifier un modèle existant sans répéter l'intégralité de son entraînement. Ces techniques peuvent être plus efficaces, mais leurs résultats dépendent de la méthode employée, de l'architecture du modèle, des données d'entraînement et du type d'information à supprimer. Elles nécessitent une évaluation rigoureuse et n'offrent pas nécessairement les mêmes garanties qu'un entraînement effectué dès le départ sans les données concernées.

Le filtrage des réponses constitue une autre mesure envisageable. Un fournisseur peut essayer d'empêcher un modèle de restituer certaines informations personnelles, même si celles-ci subsistent dans le modèle. De tels filtres peuvent réduire certains risques de divulgation, mais ils ne suppriment pas nécessairement les informations sous-jacentes et ne garantissent pas qu'elles ne pourront pas être récupérées à l'aide d'autres requêtes ou méthodes.

Pour cette raison, l'efficacité d'une suppression ne devrait pas être évaluée uniquement en vérifiant qu'un modèle ne produit plus une réponse particulière. Lorsque cela est pertinent, les fournisseurs devraient mesurer l'efficacité des méthodes employées, documenter les mesures prises et évaluer les risques résiduels. L'objectif n'est pas simplement de rendre une information plus difficile à retrouver, mais d'apporter une réponse proportionnée et efficace aux exigences applicables en matière de protection des données.

Approches techniques et limites :

• Réentraînement : reconstruire le modèle à partir d'un jeu de données dont les informations concernées ont été retirées. Cette approche peut être efficace, mais nécessite parfois des ressources importantes.
• Désapprentissage machine : modifier un modèle existant pour réduire ou supprimer l'influence de certains exemples d'entraînement. L'efficacité dépend de la technique et du modèle.
• Filtrage des réponses : bloquer ou limiter certaines réponses. Cette mesure peut réduire les risques de divulgation, mais ne supprime pas nécessairement les informations du modèle lui-même.
• Tests de confidentialité : vérifier si des informations personnelles peuvent encore être extraites ou reproduites après l'application des mesures envisagées.
• Gestion des données d'entraînement : conserver des informations sur les sources, les versions des jeux de données et les versions des modèles afin de faciliter l'analyse des demandes de suppression.

5. Supprimer une page web ne signifie pas qu'une IA l'a oubliée

Beaucoup de personnes pensent que supprimer une page web suffit à faire disparaître une information d'Internet. En réalité, cette même information peut exister dans les index des moteurs de recherche, les archives du Web, les pages mises en cache, les bases de données de tiers, les captures d'écran, les sauvegardes ou les copies collectées par des courtiers en données.

L'intelligence artificielle ajoute une couche supplémentaire de persistance potentielle. Si une information a été collectée pour constituer un jeu de données d'entraînement, puis utilisée pour entraîner un modèle, la suppression de la page source ne retire pas automatiquement cette information du jeu de données et n'annule pas son influence sur le modèle existant.

Il est toutefois important de ne pas supposer que chaque page accessible publiquement a servi à entraîner tous les modèles d'IA. Les sources de données et les pratiques d'entraînement varient selon les fournisseurs, et le simple fait qu'une page soit accessible ne prouve pas qu'un modèle particulier en a ingéré le contenu.

Supprimer l'information d'origine reste une démarche utile. Cela réduit sa disponibilité à la source et peut empêcher de futures collectes, selon les méthodes de collecte et les calendriers de mise à jour des fournisseurs. Cette action peut également limiter l'exposition par l'intermédiaire de sites et de services qui n'ont pas encore intégré l'information à un modèle.

Le déréférencement dans un moteur de recherche, la suppression à la source, le retrait des jeux de données et le désapprentissage d'un modèle sont des démarches distinctes. Elles peuvent impliquer des organisations, des fondements juridiques, des mécanismes techniques et des délais différents. Une stratégie complète de protection de la vie privée doit identifier l'action pertinente au lieu de considérer ces démarches comme interchangeables.

Points à vérifier lors d'une demande de suppression :

• Le site d'origine : demander à l'organisme responsable de la page ou de la base de données de supprimer les informations lorsque les conditions légales sont réunies.
• Les moteurs de recherche : lorsque cela est pertinent, demander le retrait des résultats exposant des informations personnelles, tout en sachant que cela ne supprime pas nécessairement la page d'origine.
• Les courtiers et agrégateurs de données : identifier les autres organisations susceptibles d'avoir collecté et republié les informations.
• Les fournisseurs d'IA : consulter leur documentation sur la confidentialité et les procédures disponibles pour exercer ses droits concernant les données d'entraînement ou les réponses des modèles.
• Les sauvegardes et les copies : demander comment l'organisation gère les copies conservées, les sauvegardes et les autres systèmes, en tenant compte des exceptions de conservation éventuellement applicables.

6. Les agents d'IA et la multiplication des endroits où les données peuvent être stockées

Les enjeux de confidentialité liés à l'IA ne concernent pas uniquement les grands modèles entraînés sur des volumes considérables de données. Les agents d'IA et les applications intégrant de l'intelligence artificielle peuvent introduire des risques supplémentaires lorsqu'ils interagissent avec des sites web, des bases de données, des services de messagerie, des espaces documentaires et des API externes.

Un agent d'IA peut recevoir des informations personnelles dans un prompt, les récupérer depuis une base de données connectée, les conserver dans un historique de conversation ou les transmettre à un autre service pour accomplir une tâche. Selon son architecture, l'application peut également créer des journaux, des résultats mis en cache, des fichiers intermédiaires ou une mémoire persistante.

Ces emplacements de stockage ne sont pas équivalents. Une information enregistrée dans la base de données d'une application peut être supprimée par une procédure classique, tandis qu'une information transmise à un modèle externe peut être soumise à des politiques de conservation et à des contraintes techniques propres au fournisseur.

L'intégration d'une IA ne signifie pas automatiquement que toutes les informations transmises sont utilisées pour entraîner le modèle. Certains services traitent les entrées sans les utiliser pour entraîner leurs modèles généraux, sous réserve de leurs conditions et de leur configuration. Les développeurs doivent néanmoins examiner les données collectées, leur destination, leur durée de conservation et leurs éventuelles utilisations supplémentaires.

Pour les développeurs, le point de départ le plus efficace consiste à cartographier l'ensemble des flux de données. Il faut identifier les bases de données, les API, les modèles, les journaux, les caches et les services tiers concernés, puis définir des procédures de suppression adaptées à chaque composant. Dans la mesure du possible, il convient d'éviter de transmettre des informations personnelles qui ne sont pas nécessaires à l'opération demandée.

Mesures de confidentialité pour les applications intégrant de l'IA :

• Minimisation des données : transmettre uniquement les informations personnelles strictement nécessaires à l'opération demandée.
• Contrôle des accès : veiller à ce que les agents d'IA et les outils connectés n'accèdent qu'aux données nécessaires à leurs tâches.
• Limitation de la conservation : définir des durées adaptées pour les prompts, les historiques de conversation, les journaux et les résultats intermédiaires.
• Évaluation des fournisseurs : examiner leurs conditions, leur documentation sur la confidentialité, leurs paramètres de conservation et l'utilisation éventuelle des données pour améliorer les modèles.
• Procédures de suppression : documenter la manière dont les informations sont retirées des bases de données applicatives, des services connectés et des autres emplacements de stockage.
• Supervision humaine : prévoir des vérifications supplémentaires pour les opérations sensibles et les demandes impliquant des données personnelles à risque élevé.

7. Quelles réglementations pourraient être nécessaires à l'avenir ?

Les règles européennes actuelles sur la protection des données couvrent déjà des aspects importants des traitements liés à l'IA. Le RGPD établit des droits et des obligations concernant les données personnelles, tandis que le règlement européen sur l'intelligence artificielle, ou AI Act, introduit des exigences supplémentaires pour certaines catégories de systèmes et certains usages. Ces cadres sont importants, mais la mise en œuvre technique du droit à l'effacement reste difficile.

Une évolution réglementaire possible consisterait à demander aux fournisseurs d'IA de documenter la manière dont ils traitent les demandes concernant les informations personnelles présentes dans les jeux de données d'entraînement et les modèles déjà entraînés. Cette documentation permettrait de distinguer la suppression à la source, le retrait des jeux de données, les interventions au niveau du modèle et les restrictions visant à empêcher la divulgation des informations.

Un autre axe de développement concerne la vérification indépendante. Selon les risques, les fournisseurs pourraient être tenus de démontrer l'efficacité de leurs procédures de suppression, d'expliquer les limites des méthodes employées et d'évaluer si des informations personnelles peuvent encore être reproduites après une intervention.

La réglementation pourrait également encourager une meilleure traçabilité des données d'entraînement et une meilleure gestion des versions des modèles. Lorsqu'une organisation ne sait pas quels jeux de données ont contribué à un modèle, il devient beaucoup plus difficile de répondre à une demande de suppression ciblée. Des registres plus précis pourraient faciliter les investigations et les mesures correctives.

Dans le même temps, la réglementation doit tenir compte de la faisabilité technique, de la proportionnalité, de la liberté d'expression, de la recherche et d'autres intérêts juridiquement protégés. Imposer systématiquement le réentraînement de chaque modèle après chaque demande pourrait entraîner des coûts disproportionnés dans certaines situations. Un cadre plus pragmatique pourrait définir des exigences proportionnées aux risques et imposer des mesures adaptées aux données concernées, aux capacités du modèle et à la probabilité ainsi qu'à la gravité des dommages potentiels.

Ces pistes correspondent à des évolutions réglementaires envisageables et non à une description d'obligations juridiques déjà applicables de manière générale. Toute nouvelle exigence devrait être examinée au regard de la législation applicable et des connaissances techniques disponibles au moment de son adoption.

Priorités possibles pour les futures réglementations :

• Procédures de suppression plus claires : expliquer comment les personnes peuvent demander le retrait d'informations des jeux de données d'entraînement et des systèmes d'IA.
• Transparence renforcée : améliorer les informations sur les sources des données d'entraînement, leur conservation et l'utilisation des données personnelles, sous réserve des impératifs légitimes de confidentialité et de sécurité.
• Garanties vérifiables : encourager les tests et la documentation de l'efficacité des mesures de suppression au niveau des modèles.
• Responsabilités mieux définies : clarifier les rôles des fournisseurs d'IA, des développeurs d'applications, des exploitants de sites web et des autres organisations impliquées dans le traitement des données.
• Exigences proportionnées : adapter les obligations techniques à la sensibilité des données, aux capacités du modèle et aux risques pour les personnes.
• Recours accessibles : faciliter l'identification de l'organisme responsable, l'exercice des droits et la contestation des réponses insuffisantes.

8. Comment les particuliers peuvent réduire leur exposition à l'IA

Même si les particuliers ne peuvent pas contrôler directement tous les processus d'entraînement des modèles, ils peuvent prendre des mesures concrètes pour réduire la quantité d'informations personnelles accessibles aux organisations et aux services tiers.

La première étape consiste à identifier les sites et les organismes qui publient ou conservent vos informations. Les anciens profils, les annuaires professionnels, les documents publics, les blogs personnels et les fiches présentes chez des courtiers en données peuvent tous contribuer à votre empreinte numérique.

Lorsque cela est pertinent, adressez des demandes de suppression aux organismes responsables de ces informations. En vertu du RGPD, vous pouvez demander l'effacement de certaines données ou vous opposer à certains traitements, selon les circonstances. Les organismes peuvent toutefois disposer de motifs légaux leur permettant de conserver ou de continuer à traiter certaines informations : une demande ne garantit donc pas une suppression dans tous les cas.

Examinez également les paramètres de confidentialité des services d'IA que vous utilisez. Vérifiez si vos conversations ou les documents importés peuvent être conservés, utilisés pour améliorer les modèles ou rendus accessibles dans des espaces de travail partagés. Évitez de communiquer des informations sensibles à un service tant que vous ne comprenez pas les garanties applicables et que vous n'avez pas de raison légitime de les transmettre.

Enfin, gardez à l'esprit que le retrait d'une page d'un moteur de recherche n'est pas équivalent à la suppression de l'information à sa source. De même, supprimer une page source ne garantit pas qu'un modèle entraîné ne conserve plus ou ne reproduise plus l'information. Chaque action répond à une partie différente du problème.

Les étapes pratiques pour protéger ses informations personnelles :

• Identifier les sites web et les organisations qui publient ou conservent vos informations personnelles.
• Demander la suppression à la source lorsque cela est pertinent et juridiquement justifié.
• Examiner les possibilités de retrait des résultats des moteurs de recherche lorsque des informations personnelles sont exposées.
• Contacter les fournisseurs d'IA concernés lorsque vous avez des questions précises sur l'utilisation ou la reproduction de vos informations.
• Limiter les informations personnelles et sensibles communiquées aux outils d'IA.
• Conserver une copie de vos demandes et des réponses reçues afin de pouvoir effectuer un suivi ou saisir une autorité compétente si nécessaire.
• Ne pas oublier que la suppression d'une information sur un site ne garantit pas son retrait de toutes les copies, de tous les jeux de données ou de tous les modèles entraînés.

9. Ce que les développeurs et les exploitants de sites web peuvent faire

Les exploitants de sites web et les développeurs ont également un rôle important à jouer. Limiter la publication inutile d'informations personnelles peut réduire leur exposition et contribuer à prévenir de futures collectes par des tiers, notamment par des organisations qui développent ou exploitent des systèmes d'IA.

Commencez par réaliser un inventaire des données. Identifiez les informations personnelles détenues par votre organisation, les systèmes qui les traitent, les finalités poursuivies et les organismes avec lesquels elles sont partagées. Cet inventaire doit inclure, lorsque cela est pertinent, les bases de données, les sauvegardes, les journaux, les plateformes d'analyse, les API externes et les services d'IA.

Mettez en place des procédures de suppression adaptées à l'architecture réelle de votre application. Supprimer un enregistrement peut suffire pour un emplacement de stockage, mais des actions supplémentaires peuvent être nécessaires pour les répliques, les sauvegardes, les journaux, les index de recherche et les services tiers. Définissez les systèmes qui peuvent être mis à jour automatiquement et ceux qui nécessitent une demande distincte ou une intervention manuelle.

Si votre application intègre un modèle d'IA, établissez des règles claires concernant les prompts, les historiques de conversation, les systèmes de récupération d'informations et les mémoires persistantes. Déterminez si des données personnelles sont transmises à un fournisseur externe et si celui-ci les utilise pour l'entraînement ou d'autres finalités. Ne supposez pas qu'une requête API échappe automatiquement à la conservation ou à l'amélioration des modèles sans avoir vérifié les conditions applicables.

Enfin, documentez vos procédures et testez-les régulièrement. Une politique de suppression n'est utile que si elle reflète le comportement réel du système. Lorsqu'une demande est traitée, distinguez les actions dont l'exécution a été confirmée, celles qui dépendent de tiers et les limites qui ne peuvent pas être résolues à ce stade.

Bonnes pratiques recommandées aux développeurs :

• Maintenir un inventaire des données personnelles et des systèmes qui les traitent.
• Limiter les informations personnelles dans les pages publiques, les journaux, les prompts et les requêtes API.
• Définir des procédures de suppression et de conservation pour les bases de données, les sauvegardes et les services tiers.
• Vérifier les garanties contractuelles et techniques des fournisseurs d'IA en matière de confidentialité.
• Suivre les sources de données et les versions des modèles lorsque l'entraînement d'IA fait partie de vos activités.
• Tester les procédures de suppression et documenter leurs limites.
• Éviter de promettre un effacement complet lorsque certaines copies ou influences au niveau du modèle ne peuvent pas être vérifiées indépendamment.

10. Comment Where's My Data peut aider

Where's My Data a pour objectif d'aider les particuliers à reprendre concrètement le contrôle de leurs informations personnelles. En facilitant la génération et la gestion de demandes de suppression, notre outil permet de contacter plus facilement les sites web et les organisations qui détiennent ou publient leurs données.

Cette démarche reste pertinente à l'ère de l'intelligence artificielle, car de nombreuses informations proviennent initialement de sites web traditionnels, d'annuaires, de bases de données et de services en ligne. Supprimer des informations personnelles à leur source peut réduire leur disponibilité publique et limiter leur collecte future par des systèmes qui ne les ont pas encore acquises.

Il est toutefois important de comprendre les limites de cette approche. Where's My Data ne peut pas supprimer directement des informations personnelles déjà intégrées aux paramètres d'un modèle d'IA entraîné. Notre outil ne peut pas modifier de manière autonome les paramètres d'un modèle externe, réentraîner un modèle tiers ou garantir qu'un fournisseur d'IA a effacé toutes les copies des informations d'une personne.

Une demande de suppression adressée à un site web peut également ne produire aucun effet direct sur les copies qui existent déjà ailleurs. Les index des moteurs de recherche, les archives, les bases de données de tiers, les jeux de données d'entraînement et les paramètres des modèles peuvent nécessiter des démarches distinctes. Where's My Data doit donc être considéré comme un outil d'aide aux demandes adressées aux organismes concernés, et non comme un mécanisme universel permettant d'effacer des informations de tous les systèmes d'IA.

Notre outil peut néanmoins contribuer à une stratégie plus globale de protection de la vie privée. En aidant les utilisateurs à identifier les endroits où leurs informations sont disponibles et à demander leur suppression, il peut réduire les expositions inutiles à la source. Cette démarche est particulièrement utile pour les sites et les organisations qui n'ont pas encore intégré d'agents d'IA ou d'autres systèmes automatisés susceptibles de réutiliser des informations personnelles.

À mesure que l'adoption de l'IA progresse, la capacité à identifier les détenteurs de données, à envoyer des demandes structurées et à suivre les réponses restera importante. Des outils comme Where's My Data peuvent rendre ces démarches plus accessibles, tandis que des solutions techniques plus avancées et des exigences juridiques plus précises seront nécessaires pour traiter les informations qui ont déjà influencé des modèles entraînés.

Ce que Where's My Data peut et ne peut pas faire :

• Aider les utilisateurs à préparer des demandes de suppression de données personnelles adressées aux sites web et aux organisations.
• Contribuer à réduire la disponibilité publique des informations personnelles en facilitant les demandes de retrait à la source.
• Participer à une stratégie plus globale visant à réduire la quantité d'informations personnelles accessibles pour de futures collectes.
• Ne peut pas supprimer directement des informations déjà intégrées aux paramètres d'un modèle d'IA externe.
• Ne peut pas garantir qu'un site acceptera une demande ni que toutes les copies des informations seront supprimées.
• Ne remplace pas les procédures techniques et juridiques nécessaires pour traiter les informations déjà utilisées lors de l'entraînement d'une IA.

Pour aller plus loin : documentation et ressources officielles