Guide étape par étape
Bienvenue dans le Guide étape par étape.
Cette section est conçue pour les utilisateurs souhaitant tirer le meilleur parti de l’outil d’anonymisation Avatars — que vous visiez une utilité optimale des données, la conformité, ou l’intégration dans un workflow de production.
Nous vous accompagnons tout au long du pipeline complet d’un projet d’anonymisation, divisé en trois étapes claires :
🟢 1. Préparer les données
La préparation des données est l’étape la plus déterminante de tout le processus d’anonymisation. Des données bien préparées conduisent à des résultats nettement meilleurs, tant en termes de confidentialité que d’utilité.
Dans cette étape, vous apprendrez :
- Comment formater vos données pour les rendre compatibles avec la méthode Avatar
- Les règles de prétraitement nécessaires (ex : format de fichier, types de données, structure)
- Les bonnes pratiques recommandées pour améliorer la qualité du résultat
- Comment gérer les cas particuliers comme les bases de données relationnelles ou les séries temporelles
- Quelles étapes de prétraitement peuvent être automatisées directement dans l’outil via les processeurs intégrés
L’objectif : rendre l’anonymisation plus simple et plus efficace dès le départ.
👉 Aller à Préparer les données
🔵 2. Lancer l'anonymisation
Une fois vos données prêtes, il est temps de lancer le processus d’anonymisation.
Dans cette étape, vous apprendrez à :
- Configurer les paramètres d’anonymisation (avec l’aide de l’outil Advisor intégré)
- Lancer le processus via le Web Client ou le Python Client
- Générer et télécharger les rapports (technique et impact) pour évaluer les métriques de confidentialité et d’utilité
🔧 Que vous intégriez l’anonymisation dans un pipeline ou que vous exploriez simplement l’interface, les deux clients sont entièrement supportés.
Pour vous guider :
- Le Web Client est parfait pour des expérimentations rapides et pour les utilisateurs non techniques.
- Le Python Client est conçu pour les cas avancés, l’intégration dans des workflows ETL, et un contrôle fin.
👉 Aller à Lancer l'anonymisation
🟣 3. Améliorer les résultats
Une fois les données synthétiques générées, cette dernière étape vous aide à évaluer et affiner le résultat.
Vous apprendrez à :
- Évaluer la qualité et la fidélité des données
- Consulter les rapports d'évaluation technique et d'analyse d'impact
- Exporter et réutiliser votre jeu de données synthétiques
👉 Aller à Améliorer les résultats
Chaque étape inclut des instructions pratiques, des conseils et des références pour vous aider à réussir.
Prenez votre temps — ou allez directement à la partie qui vous intéresse.