Désapprentissage machine (machine unlearning) : définition, limites et RGPD

Comment fonctionne le désapprentissage machine ?

Le désapprentissage machine cherche à obtenir un modèle qui se comporte comme s’il n’avait jamais vu certaines données, sans repartir de zéro. Le réentraînement complet sans ces données reste la référence, mais il coûte très cher pour un grand modèle. La recherche distingue deux familles.

• Le désapprentissage exact réentraîne une partie du modèle. La méthode SISA (Bourtoule et al., 2021) entraîne un modèle distinct sur chaque fragment des données, puis combine leurs réponses. Pour effacer une donnée, elle réentraîne seulement le modèle de son fragment. Sur le jeu de données Purchase, l’effacement va ainsi 4,63 fois plus vite qu’un réentraînement complet. La précision baisse davantage sur les tâches complexes, et ce découpage se décide avant l’entraînement.

• Le désapprentissage approché modifie le modèle déjà entraîné. Un court ajustement pousse le modèle à ne plus produire certaines informations. En 2023, deux chercheurs de Microsoft disent avoir fait « oublier » les livres Harry Potter au modèle Llama2-7b en une heure de calcul environ (prépublication). Son pré-entraînement avait demandé plus de 184 000 heures de calcul. Ce cas relève du droit d’auteur.

Désapprentissage ou filtre de sortie : quelle différence ?

Le désapprentissage vise à retirer une information du modèle ; un filtre de sortie l’empêche seulement d’apparaître dans les réponses. Selon Cooper et al. (NeurIPS 2025), la plupart des méthodes de désapprentissage en IA générative visent en fait à supprimer des sorties. Même retirée des paramètres, une information ne disparaît pas à coup sûr des réponses. Les filtres relèvent des guardrails.

L’information « oubliée » peut aussi revenir. Hu et al. (ICLR 2025) la font réapparaître en réentraînant le modèle sur un petit jeu de données, même de lien lointain avec elle. Sur le banc d’essai MUSE, Zhang et al. (ICLR 2025) mesurent qu’avec certaines méthodes, le modèle garde en moyenne 21 % des connaissances à oublier. Après une compression courante, la quantification sur 4 bits, il en garde 83 %.

En français, « désapprentissage » désigne aussi la perte d’une compétence humaine. Ce sens relève de la fiche IA et compétences.

Que dit le RGPD sur l’effacement des données d’un modèle d’IA ?

Le droit à l’effacement s’exerce aussi sur le modèle quand celui-ci n’est pas anonyme (voir RGPD et IA). Selon le CEPD, un modèle entraîné sur des données personnelles n’est pas toujours anonyme (avis 28/2024 du 17 décembre 2024, § 34).

• L’article 17 fixe la règle. La personne obtient l’effacement « dans les meilleurs délais » quand un motif prévu s’applique, par exemple un traitement illicite. Le paragraphe 3 prévoit des exceptions, dont la défense de droits en justice. L’article 12 vous impose de répondre dans les meilleurs délais, au plus tard sous un mois. Au besoin, vous prolongez ce délai de deux mois, selon la complexité et le nombre de demandes, en prévenant la personne dans le premier mois.

• Pour la CNIL, le réentraînement reste la solution « la plus efficace ». Sa fiche du 7 février 2025 admet un réentraînement périodique, qui traite plusieurs demandes à la fois. Les filtres viennent « subsidiairement », par exemple en attendant le prochain entraînement.

• Une demande peut être rejetée. La CNIL cite un grand modèle de langage, très coûteux à réentraîner, qui renseigne correctement sur les fonctions d’une personnalité publique. Celle-ci demande son effacement : sa demande « peut en principe être rejetée ». À l’inverse, si un modèle d’assurance restitue dans ses réponses le sinistre d’une personne, le responsable doit en principe proposer des solutions. La CNIL prévient : si les techniques de réidentification et de désapprentissage progressent, vous devrez traiter demain des demandes refusables aujourd’hui.

• L’effacement du modèle reste une mesure parmi d’autres. Après une infraction, l’autorité choisit au cas par cas : amende, limitation temporaire, effacement des données illicites. Si cet effacement partiel est impossible, elle peut ordonner, selon la proportionnalité, l’effacement du jeu de données ou du modèle (CEPD, § 114). Elle peut tenir compte d’un réentraînement.

Que change le désapprentissage machine pour votre décision ?

• Ce que le modèle n’apprend pas, vous n’avez pas à l’effacer. Écartez les données personnelles des jeux de fine-tuning quand l’usage ne les exige pas.

• Le RAG rend l’effacement plus simple. Avec un RAG, la donnée reste dans votre base documentaire, hors du modèle. Vous supprimez le document, et les réponses suivent dès la mise à jour de la base. Préférez cette architecture quand des données doivent pouvoir s’effacer.

• La procédure se prépare avant la première demande. Désignez qui reçoit la demande, qui teste le modèle et qui choisit entre filtre, réentraînement et refus motivé. Selon la CNIL, un responsable ne sait pas aujourd’hui, dans le cas général, retrouver toutes les données mémorisées sur une personne. Des tests ciblés sur le modèle peuvent parfois révéler ce qu’il a retenu.

• Le contrat du fournisseur doit traiter l’effacement. Demandez-lui comment il traite une demande, à quel rythme il réentraîne et comment il livre la version corrigée. Selon la CNIL, le fournisseur doit livrer une version actualisée du modèle et peut, au besoin, vous imposer par contrat de n’utiliser que celle-ci. Exigez la méthode de test derrière toute promesse de « désapprentissage ».