3.7 KiB
3.7 KiB
Politique de Traitement des Données & Gouvernance ML
1. Cadre Général & Engagement Privacy-by-Design
Le projet RYM / Peakload traite des données relatives à la pratique sportive, à la physiologie et au suivi de la performance. Conformément au RGPD (Règlement Général sur la Protection des Données) et aux directives d'éthique de la recherche (INRIA / CNIL) :
- Minimisation des données : Seules les métriques strictement nécessaires à l'analyse de la charge et à la prévention des blessures sont collectées.
- Chiffrement de bout en bout : Toutes les données personnelles et physiologiques sont chiffrées en transit (TLS 1.3) et au repos (AES-256).
- Isolation des environnements : Séparation stricte entre les données de production, les jeux de données de test et les environnements de recherche.
2. Classification des Données Traitées
| Catégorie de Donnée | Exemples | Niveau de Sensibilité | Mesures de Protection |
|---|---|---|---|
| Données Identifiantes | Email, Nom, Prénom, Identifiant unique | Élevé | Stockage chiffré, séparé des données de performance. |
| Données Physiologiques | VRC, Fréquence Cardiaque, Sommeil, Fatigue (RPE) | Très Élevé (Données de Santé) | Pseudonymisation à la source, accès restreint aux micro-services ML. |
| Données d'Activité | Charge d'entraînement, Durée, Type de sport | Moyen | Agrégation et horodatage chiffré. |
| Données Techniques / Métriques | Logs d'accès, IP pseudonymisées, Métriques Podman | Faible | Log rotation automatisé, anonymisation sous 30 jours. |
3. Stratégie de Pseudonymisation & Anonymisation
Afin d'alimenter les modèles de Machine Learning tout en protégeant la vie privée des utilisateurs :
- Jetons de Pseudonymisation (Tokenization) :
- L'identité réelle de l'utilisateur est dissociée de son profil physiologique via un identifiant unique universel (UUID) irréversible stocké dans un coffre-fort d'identités chiffré.
- Pipelines d'Anonymisation pour la Recherche / ML :
- Les jeux de données d'entraînement pour les modèles ML sont extraits sans aucune référence personnelle.
- Injection de bruits contrôlés (Confidentialité Différentielle / Differential Privacy) sur les séries temporelles lors des analyses agrégées.
4. Gouvernance & Éthique du Machine Learning (ML)
Afin d'éviter tout effet "Boîte Noire" et de garantir un audit carré exigé par l'INRIA :
- Explicabilité & Traçabilité des Décisions :
- Chaque recommandation générée par le modèle (ex: ajustement de charge d'entraînement) est accompagnée de ses facteurs explicatifs (ex: baisse de la VRC de X% + augmentation de la charge aiguë).
- Auditabilité des Modèles :
- Les poids des modèles, les hyperparamètres et les jeux de données d'entraînement anonymisés sont versionnés (Model Registry).
- Supervision Humaine (Human-in-the-loop) :
- L'algorithme agit comme un système d'aide à la décision. L'athlète ou le coach conserve toujours le contrôle final sur l'ajustement de son programme.
5. Droits des Personnes & Cycle de Vie des Données
- Portabilité & Exportation : L'utilisateur peut exporter l'intégralité de ses données sous un format standard ouvert (JSON / CSV) à tout moment.
- Droit à l'Oubli : La suppression du compte entraîne la purge physique et définitive de l'ensemble des clés de déchiffrement associées aux données de l'utilisateur (Crypto-shredding).
- Durée de Conservation :
- Données actives : Conservées durant la durée d'utilisation du service.
- Données anonymisées de recherche : Conservées sous forme non identifiable pour l'amélioration continue des modèles.