Infrastructures respectueuses de la vie privée à l'ère de l'IA : étude de classification des actifs

Meta a publié une étude de cas détaillant son approche de la classification des données dans ses systèmes d'infrastructure sensibles à la vie privée, un problème qui prend une nouvelle dimension avec la généralisation des produits "AI-native". Le défi central est illustré par un exemple concret : un champ nommé "age" peut désigner l'âge d'une personne - donnée personnelle soumise à une protection stricte - ou la durée de vie d'un cache technique, simple métadonnée d'infrastructure. Ces deux réalités portent le même nom mais exigent des traitements radicalement différents. Pour y répondre, Meta a développé une architecture hybride : les grands modèles de langage (LLMs) traitent les cas ambigus et les actifs nouveaux, tandis que des règles déterministes versionnées prennent en charge les décisions de production courantes. Ce système s'organise en quatre niveaux interdépendants - comprendre, découvrir, appliquer, démontrer - dont la classification des actifs constitue la fondation.

L'enjeu dépasse la simple cohérence interne : si la couche "comprendre" produit une classification erronée, toutes les protections en aval - rétention, contrôle d'accès, partage, anonymisation - héritent de cette erreur. Dans un système AI-native, un même signal source peut traverser plusieurs pipelines, devenir une feature d'entraînement, s'agréger à d'autres données dérivées ou apparaître sous forme d'embedding. La classification doit donc suivre le sens de la donnée, pas seulement sa forme. Or les LLMs, sollicités sur des dizaines de champs contextuels par actif, consomment beaucoup de tokens et ne garantissent pas un comportement stable d'une exécution à l'autre. La solution de Meta consiste à ne pas utiliser les LLMs en production pour les décisions courantes, mais à s'en servir pour distiller de nouvelles règles déterministes, réexaminées par des humains avant d'être promues. Le périmètre des LLMs se réduit donc mécaniquement au fil du temps, la révision humaine restant obligatoire pour les labels de référence et la promotion de toute règle susceptible de modifier les protections en vigueur.

Cette approche s'inscrit dans un contexte où la pression réglementaire sur les données personnelles s'est considérablement renforcée - RGPD en Europe, lois d'État aux États-Unis - tandis que la surface d'exposition augmente avec les modèles multimodaux, les features ML et les pipelines de transformation complexes. Meta ne propose pas une solution universelle clé en main, mais une méthodologie : enrichir le contexte avant de solliciter un modèle, maintenir des labels humains séparés des recommandations automatiques, et réserver la décision de production à une logique auditable et reproductible. L'objectif affiché n'est pas de déployer des LLMs partout, mais de construire un système capable d'apprendre de signaux ambigus tout en convergeant vers des règles stables et vérifiables - une distinction qui pourrait faire référence dans l'industrie à mesure que les exigences de conformité s'intensifient.