Annotation

  • Concept
  • Intermédiaire
  • Transversal
  • Toujours utilisé

En bref

L'annotation consiste à ajouter une note, une étiquette ou un commentaire à un contenu pour l'expliquer, le classer ou l'enrichir.

Définition complète

L’annotation est l’action d’ajouter une information, une note, une étiquette ou un commentaire à un contenu existant (un texte, une image, un document, une donnée) afin de l’expliquer, de le classer ou de le rendre exploitable par une personne ou par une machine.

Par exemple, une entreprise qui veut apprendre à un logiciel à repérer des pièces défectueuses sur une chaîne de production doit d’abord faire annoter, à la main, plusieurs milliers de photos : un cadre est dessiné autour du défaut, puis une étiquette (« rayure », « fissure », « pièce conforme ») est ajoutée. C’est ce travail d’annotation qui, plus tard, permet au logiciel de reconnaître seul les défauts.

Attention : il existe deux usages très différents du mot. Dans les outils collaboratifs (documents partagés, PDF), annoter signifie commenter ou corriger un texte. Dans l’intelligence artificielle, annoter signifie étiqueter des données pour entraîner un modèle. Les deux usages partagent la même logique, mais pas le même objectif.

À quoi ça sert

L’annotation sert avant tout à rendre un contenu compréhensible et utilisable, aussi bien par des humains que par des machines. Dans le travail d’équipe, elle permet de signaler une correction, de justifier une remarque ou de suivre l’historique des échanges sur un document sans avoir à réécrire le texte entier.

Dans le domaine de l’intelligence artificielle, l’annotation est une étape indispensable : un modèle ne peut apprendre à reconnaître une catégorie (un défaut, un sentiment, un objet) que si des exemples annotés lui ont été fournis au préalable. La qualité de l’annotation conditionne directement la qualité du résultat final.

Elle sert aussi à classer et archiver de l’information : étiqueter des documents, des tickets clients ou des dossiers permet de les retrouver plus facilement et de produire des statistiques fiables.

Cas d'usage typiques

– Entraîner : annoter un jeu de photos de produits défectueux ? permet à un logiciel de contrôle qualité d’apprendre à les détecter seul.
– Collaborer : ajouter des commentaires dans un document partagé pour signaler une correction ? accélère la validation d’un projet en équipe.
– Classer : étiqueter des tickets clients par thème (facturation, livraison, réclamation) ? facilite le tri et le reporting.
– Vérifier : relire les annotations produites automatiquement par une IA ? garantit la fiabilité des données avant de les utiliser.
– Archiver : ajouter des mots-clés à des documents scannés ? permet de les retrouver rapidement plus tard.
– Former : annoter des transcriptions d’appels pour repérer les moments clés ? aide à former les nouveaux conseillers.

Ce que tu sauras faire

Savoir annoter un contenu de façon utile et reconnaître quand une annotation sert à entraîner une intelligence artificielle, à collaborer en équipe ou à classer de l'information.

Mises en situation

Situation 1 : une PME veut automatiser le tri de photos de pièces défectueuses

Contexte : un atelier de mécanique reçoit chaque jour des centaines de photos de pièces à contrôler. Le tri manuel prend beaucoup de temps aux opérateurs.

Application : l’équipe fait annoter, sur plusieurs semaines, 4 000 photos déjà triées par les opérateurs (« conforme » ou « défectueuse », avec le type de défaut).

Résultat attendu : ces photos annotées servent de base pour entraîner un outil qui, à terme, présélectionne les pièces suspectes et fait gagner un temps précieux aux opérateurs.

Situation 2 : une équipe marketing relit un document partagé

Contexte : trois personnes travaillent sur la même présentation client dans un document en ligne.

Application : chacune ajoute des annotations (commentaires) directement dans les marges plutôt que de réécrire le texte, pour proposer une correction ou poser une question.

Résultat attendu : les échanges restent tracés, chaque remarque est visible et datée, ce qui évite les allers-retours par email et accélère la validation finale.

Situation 3 : une association archive des documents scannés

Contexte : une association reçoit chaque année des centaines de dossiers papier qu’elle numérise.

Application : chaque document scanné est annoté avec des mots-clés (type de dossier, année, nom du bénéficiaire).

Résultat attendu : les bénévoles retrouvent un document en quelques secondes grâce aux mots-clés, au lieu de fouiller des classeurs papier.

Application guidée : comparer deux jeux de données annotés

Contexte : un jeu de données de 1 000 photos est annoté par une seule personne pressée, tandis qu’un second jeu de 1 000 photos est annoté par deux personnes qui se relisent mutuellement.

Question : lequel des deux jeux de données produira, selon vous, un modèle plus fiable ?

Résultat attendu : le second jeu, car la double relecture réduit les erreurs d’étiquetage ; un modèle entraîné sur des annotations de mauvaise qualité reproduit ces erreurs à grande échelle.

Application guidée : annoter un court texte selon une consigne

Contexte : on vous donne dix avis clients bruts et une consigne : annoter chaque avis avec l’étiquette « positif », « négatif » ou « neutre ».

Question : comment traiter un avis mitigé qui contient à la fois un compliment et une critique ?

Résultat attendu : définir une règle claire avant de commencer (par exemple, « neutre » dès qu’un avis mélange les deux), et l’appliquer de façon identique à tous les avis pour garder une annotation cohérente.

Pour bien le retenir

L'analogie

Imaginez un livre de bibliothèque qu’un lecteur attentif souligne et complète avec des post-it dans la marge : chaque trait de crayon et chaque post-it est une annotation. Le livre reste le même, mais il devient plus facile à comprendre et à retrouver pour le prochain lecteur, humain ou machine.

« Une note dans la marge transforme une donnée brute en information utile. »

Pièges à éviter

À ne pas confondre avec

Ne confondez pas une annotation avec un simple commentaire libre : une bonne annotation, surtout pour entraîner une IA, suit une règle précise et cohérente, sinon les exemples se contredisent entre eux.

Évitez de croire qu'une intelligence artificielle peut annoter seule, sans aucune relecture humaine : les outils de pré-annotation automatique se trompent régulièrement et nécessitent une vérification.

Attention enfin à la cohérence entre plusieurs annotateurs : si deux personnes étiquettent la même situation différemment, la qualité globale des données en souffre. Il vaut mieux définir des règles claires avant de commencer.

Évolution historique

Apparition : Dans le sens de note ajoutée à un texte, l'usage est très ancien. Dans le sens d'étiquetage de données pour l'intelligence artificielle, l'usage se développe surtout à partir des années 2010.

Quels changements depuis l’arrivée de l’IA ?

Avant

L’annotation était presque uniquement un travail humain de relecture, de correction ou de classement manuel, sans assistance automatique.

Aujourd’hui

Des outils d’intelligence artificielle peuvent pré-annoter une partie du travail (proposer une étiquette probable) que l’humain valide ou corrige ensuite. Cela accélère le travail, mais la supervision humaine reste indispensable pour éviter de reproduire des erreurs ou des biais à grande échelle.

Évolution historique

Avant l’informatique : annotation manuscrite dans les marges de livres et de manuscrits, pratique très ancienne.

Années 1990-2000 : apparition de l’annotation numérique avec les commentaires dans les traitements de texte et les PDF.

Années 2010 : essor du machine learning, qui rend l’annotation de données massives (images, textes) indispensable pour entraîner des modèles.

Années 2020 : arrivée de l’IA générative capable de pré-annoter automatiquement une partie du travail, l’humain se concentrant sur la vérification.