Avis de transparence sur l’IA

Avis de transparence des services de vérification de l’identité d’Entrust en matière d’intelligence artificielle (« IA »)
Cet avis fournit des informations transparentes sur le système d’intelligence artificielle que vous utilisez, en décrivant les capacités, les limites, les biais, les pratiques d’utilisation des données et les mesures de sécurité du système. Nous souhaitons vous donner les moyens d’acquérir les connaissances nécessaires pour comprendre le fonctionnement de l’IA, ce qu’elle peut et ne peut pas faire, et comment vos données sont traitées. En offrant cette transparence, nous vous permettons de prendre des décisions éclairées concernant vos interactions avec notre technologie d’IA.

En lisant cet avis, n’oubliez pas de toujours vérifier les informations importantes fournies par notre IA. Notre technologie est conçue pour aider et non pour remplacer le jugement d’un expert. Pour les décisions susceptibles d’avoir des implications sanitaires, financières ou juridiques, nous recommandons vivement de consulter des professionnels dûment qualifiés ou d’obtenir un avis juridique indépendant avant d’agir.

Le produit IDV (Identity Verification) d’Entrust permet aux clients de traiter, de vérifier et d’intégrer des utilisateurs à distance. Les données d’entrée de ce système sont la photo/vidéo d’un document d’identité et la photo/vidéo du demandeur. Le moteur de décision d’Entrust utilise ces données pour renvoyer un signal d’acceptation ou d’examen, accompagné d’un contexte approprié et d’une analyse détaillée de la manière dont ce résultat a été obtenu.

Le produit IDV s’appuie sur quatre segments technologiques fondamentaux, chacun d’entre eux reposant sur des systèmes d’IA. Les quatre segments sont les suivants : (1) similarité faciale ; (2) détection biométrique anti-spoofing et liveness (images faciales) ; (3) extraction automatisée de données à partir de documents ; et (4) technologie anti-fraude sur les documents d’identité. Ces segments remplissent les tâches d’extraction des données, de comparaison biométrique, de validation des documents et de validation biométrique, qui exigent toutes un résultat positif pour qu’un signal d’acceptation soit renvoyé. Bien que l’application IDV soit constituée de plusieurs systèmes d’IA au service de chacun de ces segments technologiques, il convient de noter qu’elle contient également un nombre important d’algorithmes non basés sur l’IA. C’est la combinaison d’algorithmes basés sur l’IA/ML et d’algorithmes non basés sur l’IA, c’est-à-dire le code informatique « traditionnel », qui crée le produit d’Entrust.

L’utilisation responsable de l’IA par Entrust permet un traitement des données plus rapide et plus cohérent, ce qui se traduit par une expérience plus fluide et plus sûre pour les utilisateurs finaux. Nos systèmes sont conçus pour minimiser, dans la mesure du possible, l’examen humain des données personnelles, ce qui contribue à réduire l’exposition inutile des informations de l’utilisateur final.

L’IA est utilisée dans l’ensemble de notre portefeuille de produits de vérification d’identité (IDV) pour :

• indiquer si une photo ou une vidéo d’une pièce d’identité gouvernementale semble authentique ou si elle présente des signes de manipulation et/ou de fraude ;
• classer le type de document, par exemple un passeport ou un permis de conduire ;
• extraire des informations pertinentes de l’image ou de la vidéo du document, telles que le nom ou la date de naissance ;
• indiquer si les données biométriques faciales fournies par un utilisateur final semblent authentiques et correspondent à la personne figurant sur le document d’identité.

Nos solutions sont conçues pour identifier des modèles qui peuvent indiquer l’authenticité ou la fraude potentielle, aidant ainsi les organisations à prendre des décisions éclairées en matière de confiance et de sécurité. Les résultats doivent être interprétés comme des indicateurs de risque plutôt que comme des déterminations définitives et doivent être utilisés conjointement avec d’autres contrôles et procédures de vérification.

• Photo/vidéo d’une pièce d’identité gouvernementale
• Photo/vidéo de la biométrie faciale

Toutes les applications utilisent des modèles d’apprentissage profond, avec des paradigmes spécifiques en fonction de l’application. Ces modèles sont généralement pré-entraînés, puis affinés sur nos propres ensembles de données afin d’optimiser les performances (à la fois la précision et l’équité).

• Modèles de classification binaire : la détection de la fraude documentaire et la détection de la présence biométrique utilisent des modèles de classification binaire pour évaluer la probabilité que l’image/vidéo d’entrée est authentique (par opposition à une altération frauduleuse, par exemple un « deepfake », ou une obstruction délibérée).
• Modèles de classification multi-classes : la classification des documents utilise un modèle de classification multi-classes pour déterminer le type de document le plus probable à partir d’une image de document d’entrée.
• Modèles Vision-Langage (VLM) : l’extraction de documents utilise un modèle vision-langage (VLM) pour l’intelligence des documents.
• Modèles de reconnaissance faciale : notre application utilise des modèles d’apprentissage profond supervisés pour effectuer des comparaisons faciales entre un selfie ou une vidéo capturés en direct et une image provenant d’un document d’identité délivré par le gouvernement, ou d’autres selfies ou vidéos capturés précédemment. Le modèle produit une représentation numérique (« embedding ») de chaque image de visage et mesure la similarité entre les embeddings pour déterminer la probabilité que les deux images appartiennent à la même personne, ce que l’on appelle une vérification biométrique 1:1 ou 1:N basée sur l’embedding.

Nos modèles d’IA sont optimisés en termes de performance (précision et équité) à l’aide d’un protocole d’évaluation systématique. Ils sont entraînés et affinés, puis comparés à des ensembles de données collectés auprès des utilisateurs finaux. Nous utilisons les données de contrôle qualité (QC) uniformément échantillonnées à partir de la production pour obtenir des estimations non biaisées des taux d’acceptation/rejet d’un modèle donné. En outre, nous utilisons un processus de retour d’information appelé Human in the Loop (HITL), dans le cadre duquel des analystes humains évaluent les résultats des taux afin d’améliorer en permanence les performances du modèle conformément aux principes d’Entrust en matière d’IA responsable.

Pour vous aider à comprendre comment nous traitons vos données lorsque vous utilisez le système alimenté par l’IA d’Entrust, veuillez tenir compte des points clés suivants :

• Notre utilisation de l’IA implique le traitement des données personnelles de l’utilisateur final. Nous ne traitons ces données personnelles que si nous disposons d’une base juridique valable pour le faire. Pour en savoir plus sur l’utilisation des données personnelles, visitez la page Avis de confidentialité des produits IDV.
• Nous limitons l’accès à nos modèles d’IA et aux données connexes aux seules personnes qui en ont besoin dans le cadre de leurs responsabilités professionnelles spécifiques.
• Nous chiffrons les données en transit et en stockage.

Biais potentiellement hérités

Comme la plupart des systèmes d’IA entraînés sur des données réelles, nos modèles peuvent refléter des biais hérités des ensembles de données utilisés pour les entraîner et les améliorer. La diversité des données d’entraînement varie selon les pays et les groupes démographiques, ce qui peut générer des différences de performance pour certaines populations ou certains types de document. Nous surveillons activement ces facteurs et appliquons des mesures telles que le rééquilibrage des données, le ré-entraînement et les tests d’équité afin de réduire les différences involontaires de performance entre les groupes d’utilisateurs.

Sources potentielles de biais héréditaires :

• Composition des données d’entraînement : les ensembles de données accessibles au public utilisés dans le développement initial des modèles peuvent surreprésenter certaines régions, caractéristiques faciales ou conditions d’imagerie.
• Qualité d’image et design de document : les variations de la qualité des photos, des normes d’impression, des hologrammes ou des caractéristiques de sécurité peuvent affecter les performances des différents types de document.
• Conditions de capture : les différences d’éclairage, de dispositifs de prise de vue ou de mode de collecte des images peuvent influencer les résultats des modèles dans les différents environnements.

Efforts d’atténuation des biais

Les systèmes d’IA d’Entrust sont développés et continuellement affinés pour minimiser les biais involontaires et promouvoir des résultats équitables pour tous les groupes démographiques et géographiques. Afin d’atténuer les biais, nous appliquons les techniques suivantes :

• Techniques d’échantillonnage équilibré et adaptatif pendant l’entraînement du modèle pour assurer une représentation régionale et démographique diversifiée.
• Évaluations régulières des performances à travers les pays, les continents et les sexes afin d’identifier et de corriger les disparités.
• Ajustements dynamiques de l’échantillonnage qui mettent davantage l’accent sur l’entraînement avec des groupes sous-représentés afin d’améliorer la précision.
• Mise au point sur des données spécifiques à un domaine du monde réel (telles que des comparaisons entre selfies et documents) afin de renforcer la généralisation du modèle avec différents types d’image et conditions.

Ces mesures réduisent considérablement les écarts de performance ; toutefois, aucun modèle d’IA n’est totalement exempt de biais. Nous restons attachés à la transparence, à l’évaluation continue et aux améliorations permanentes dans le cadre de notre processus de développement responsable de l’IA.

Pour obtenir plus d’informations sur notre engagement à développer des technologies innovantes de manière responsable, vous pouvez consulter notre rapport Sandbox ICO.

Notre IA peut être soumise à certaines limitations :

• Champ d’application : notre IA est spécialement conçue pour la prévention de la fraude.
• Langue : notre IA prend en charge les entrées multilingues basées sur des langues utilisant les écritures latines et arabes.
• Contexte : notre IA évalue les entrées comme étant frauduleuses ou authentiques.
• Hallucinations : dans certains cas, notre IA peut générer des résultats incohérents si les informations extraites d’un document source sont inexactes.

Entrust fournit des services de vérification d’identité à ses clients en utilisant un modèle « Human in the Loop » (HITL) et est au cœur du fonctionnement de nos systèmes d’intelligence artificielle. Dans le cadre de ce processus, des analystes formés examinent, valident et affinent régulièrement les résultats du modèle afin d’en améliorer les performances et l’alignement conformément aux principes d’IA responsable d’Entrust.

Avant que les modèles ne soient mis en production, des experts évaluent leurs performances à l’aide de tableaux de bord analytiques et de tests A/B contrôlés afin de confirmer que les résultats répondent à nos normes de qualité et d’équité. Les réviseurs humains supervisent également l’étiquetage et la vérification des données, garantissant que les données d’entraînement utilisées pour améliorer nos systèmes sont exactes et représentatives. Dans certains produits, des spécialistes humains restent disponibles en temps réel pour évaluer les résultats lorsque l’IA détecte des données inhabituelles ou incertaines.

Nous vous invitons à nous faire part de vos commentaires afin d’améliorer nos systèmes d’IA. Pour fournir des détails sur d’éventuelles inexactitudes ou pour partager votre expérience, envoyez-nous un e-mail à l’adresse suivante : [email protected].

Nous pensons que les clients doivent avoir une visibilité et un contrôle complets sur leurs données, ce qui les aide à rester transparents avec leurs utilisateurs finaux sur la façon dont leurs données contribuent à l’amélioration de nos services.

Nos systèmes de vérification d’identité (IDV) utilisent l’apprentissage machine pour renforcer la précision, détecter les anomalies et améliorer les performances globales. La participation à ces processus est entièrement laissée à la discrétion du client. Notre IDV fonctionne sur la base de la désinscription. Lorsqu’un client se désinscrit, ses contrôles sont exclus de toutes les activités d’apprentissage machine, y compris la formation des modèles. Les clients ont un contrôle total sur l’utilisation des données de l’utilisateur final pour aider à développer et à affiner nos services et peuvent les personnaliser à tout moment par le biais de la configuration du compte.

Lorsqu’un client se désinscrit de l’apprentissage machine, il est également automatiquement exclu de notre processus de contrôle de la qualité (QC). Dans le cadre de nos pratiques habituelles, environ trois pour cent (3 %) de tous les contrôles sont examinés au hasard chaque mois afin de valider l’exactitude et de soutenir les améliorations en cours. Ces informations sur le contrôle de qualité contribuent à renforcer la fiabilité de nos modèles, mais le fait de se désinscrire supprime les contrôles des clients dans ce cycle de retour d’information.

Même lorsque les clients choisissent de ne pas participer à l’apprentissage machine ou au contrôle qualité, nos systèmes peuvent traiter des données pseudonymisées et agrégées à des fins commerciales légitimes telles que l’analyse, l’étalonnage et les rapports statistiques. Les données agrégées ne comprennent pas d’informations personnelles identifiables (PII).

Le contrôle des préjugés et l’évaluation de l’équité s’inscrivent dans un processus continu. Nos modèles d’IA sont régulièrement revus et mis à jour afin d’améliorer les performances et de résoudre les problèmes. Lorsque des disparités sont identifiées, nous ajustons nos données de formation, notre stratégie d’échantillonnage ou nos paramètres d’étalonnage afin d’améliorer l’équilibre et la précision.

Ces efforts s’inscrivent dans le cadre de notre engagement plus large en faveur d’un développement responsable de l’IA, en veillant à ce que notre technologie de vérification reste aussi précise et transparente que possible pour toutes les populations d’utilisateurs. Nous mettons à jour cet avis chaque année ou lorsque des changements importants surviennent, afin de vous présenter les informations les plus récentes.

Dernière mise à jour : 28 octobre 2025