Accueil › Glossaire › Annotation Platform

Annotation Platform

Une annotation platform (plateforme d’annotation) est un logiciel qui permet aux équipes IA de labelliser, gérer et curer les données d’entraînement (images, texte, audio, vidéo, 3D) pour les modèles de machine learning, en combinant annotation manuelle, assistance IA, contrôle qualité et intégration avec les pipelines ML.

Les données d’entraînement sont le carburant de l’IA, et les plateformes d’annotation sont les raffineries. Le marché mondial des outils d’annotation a atteint 8,26 milliards de dollars en 2026 avec une croissance de 20 à 27 % par an. Les équipes ML passent plus de 80 % de leur temps à améliorer la qualité des données plutôt qu’à tuner des architectures de modèles. Le choix de la plateforme d’annotation impacte directement la vitesse d’itération, le coût de labellisation et, in fine, la performance du modèle en production.

Fonctionnalités clés d’une annotation platform

Types d’annotation supportés

Une plateforme d’annotation moderne doit couvrir les types de labellisation suivants, selon le domaine d’application : bounding boxes et polygones pour la détection d’objets, segmentation sémantique et d’instance pour la segmentation d’images, keypoints pour l’estimation de pose, classification d’images et de texte, annotation d’entités nommées (NER) et de relations pour le NLP, transcription audio et alignement temporel, annotation de nuages de points 3D et LiDAR pour la conduite autonome et la robotique, et depuis 2025, preference ranking et évaluation par rubrique pour le RLHF des LLMs.

Assistance IA et pré-annotation

L’intégration de modèles de pré-annotation est devenue un critère différenciant majeur. Les plateformes leaders intègrent SAM2 (Segment Anything Model 2) pour la segmentation automatique d’images avec 80-90 % de précision, des modèles de détection pré-entraînés (Mask R-CNN, Faster R-CNN, YOLO) pour les bounding boxes automatiques, des LLMs (GPT, Claude) pour la pré-annotation textuelle, et Whisper pour la transcription audio. L’annotateur humain corrige et valide au lieu de créer de zéro, ce qui accélère le débit de 3 à 5× et réduit les coûts d’annotation jusqu’à 4×. Une plateforme sans pré-annotation IA en 2026 est un outil d’une autre époque.

Contrôle qualité

La qualité des annotations conditionne directement la performance du modèle. Les mécanismes essentiels : gold sets (exemples pré-annotés insérés dans le flux pour vérifier la qualité des annotateurs), scoring de consensus (plusieurs annotateurs labellisent le même exemple, on mesure l’accord), workflows d’adjudication (résolution des désaccords entre annotateurs), métriques d’accord inter-annotateurs (Cohen’s kappa, Fleiss’ kappa), et détection d’anomalies automatique. Les plateformes enterprise comme Encord, Labelbox et Scale AI investissent massivement dans ces fonctionnalités.

Gestion de workflow et collaboration

Pour les projets à grande échelle, la plateforme doit supporter l’assignation de tâches, le contrôle d’accès basé sur les rôles, le suivi de progression, le versionnement des datasets, et les pipelines de revue multi-étapes. La collaboration est d’autant plus critique que les projets d’annotation impliquent souvent des équipes distribuées géographiquement, avec des annotateurs de niveaux d’expertise différents.

Intégration MLOps

Une annotation platform isolée est un handicap. Les meilleures plateformes s’intègrent avec les stockages cloud (AWS S3, Azure Blob, GCP), les frameworks ML (TensorFlow, PyTorch), les outils MLOps (MLflow, Weights & Biases), et exposent des APIs/SDKs pour l’automatisation. L’export dans les formats standards (COCO, YOLO, Pascal VOC, JSON) est un prérequis.

Comparatif des plateformes majeures

Scale AI : le géant sous influence Meta

Scale AI est la plus grande plateforme d’annotation au monde, avec un revenu projeté de 2 milliards de dollars en 2026 (130 % de croissance par rapport à 2024) et une valorisation de 29 milliards de dollars. L’entreprise a connu un bouleversement majeur en juin 2025 : Meta a investi 14,3 milliards de dollars pour une participation de 49 % (sans droit de vote). Le fondateur Alexandr Wang a quitté son poste de CEO pour devenir Chief AI Officer chez Meta, dirigeant le Meta Superintelligence Labs.

Cette acquisition partielle a provoqué un exode de clients : Google a résilié un contrat de 200 millions de dollars annuels, et OpenAI, Microsoft et xAI ont réduit ou suspendu leurs engagements, citant des préoccupations de confidentialité. Les bénéficiaires : Labelbox, Surge AI (qui a dépassé 1 milliard de dollars de revenu annuel) et Mercor. Scale AI reste néanmoins incontournable pour les projets gouvernementaux (300 M$+ de contrats avec le Department of Defense) et pour les équipes qui ont besoin d’un partenaire capable d’exécuter à échelle massive avec des experts domaine.

Encord : le full-stack pour la GenAI

Encord s’est positionné comme la plateforme la plus complète pour l’IA générative en 2026. Au-delà de l’annotation pure, elle couvre la gestion de datasets, l’évaluation de modèles, le QA, et la conformité (GDPR, SOC 2, HIPAA). Son support multimodal est le plus large : texte, image, vidéo, audio, DICOM (imagerie médicale), nuages de points 3D et LiDAR. La levée de 60 millions de dollars en Series C confirme la trajectoire. C’est le choix par défaut pour les équipes travaillant en santé, robotique ou IA physique.

Labelbox : developer-first et expérimentation

Labelbox mise sur un SDK Python riche et des workflows programmables pour les équipes techniques. Son système de tarification par Labelbox Units (LBUs, environ 0,10 $ par unité) permet de démarrer en self-service avec un tier gratuit avant de passer à un contrat enterprise. L’acquisition de Labelbox par Upcraft (février 2026) pourrait modifier la trajectoire du produit. Les points forts : versionnement de datasets, boucles d’active learning, évaluation par rubrique pour les tâches subjectives (RLHF), et une couverture multi-modalité large. L’entreprise a levé 189 millions de dollars au total.

CVAT : l’open source de référence en CV

CVAT (Computer Vision Annotation Tool), développé initialement par Intel et maintenu par CVAT.ai Corporation, est la plateforme open source la plus utilisée pour l’annotation en vision par ordinateur. Plus de 200 000 développeurs l’utilisent quotidiennement. Elle supporte les images, vidéos et fichiers 3D, avec des fonctionnalités d’auto-annotation, d’interpolation et de tracking. L’édition Community est gratuite et self-hosted ; l’édition Enterprise ajoute les fonctionnalités de gestion d’équipe et de QA avancée. Note G2 : 4.6/5.

Label Studio : la polyvalence open source

Label Studio est le couteau suisse open source de l’annotation. Il supporte images, audio, texte et vidéo avec une interface customisable et une intégration fluide avec TensorFlow, PyTorch et scikit-learn. Ses capacités d’active learning permettent d’accélérer l’annotation en incorporant des modèles ML dans le processus. C’est le choix idéal pour les équipes qui veulent un outil gratuit, flexible et auto-hébergé, sans lock-in vendor.

Prodigy : le spécialiste NLP

Développé par l’équipe de spaCy (Explosion AI), Prodigy est conçu nativement pour l’active learning en NLP. Ses « recipes » Python permettent de créer des workflows d’annotation complets où le modèle sélectionne les exemples les plus informatifs et se re-entraîne en boucle. L’interface est minimaliste et optimisée pour la vitesse. Prodigy tourne entièrement en local, sans envoi de données vers le cloud. Licence commerciale sans lock-in sur les modèles produits.

Tendances 2026

Consolidation du marché

L’investissement de Meta dans Scale AI et l’acquisition de Labelbox par Upcraft illustrent une consolidation rapide. Les grands acteurs IA (Meta, Google, NVIDIA) intègrent verticalement la chaîne de valeur des données. Les plateformes indépendantes doivent se différencier par la spécialisation (Encord en santé, Prodigy en NLP) ou par la flexibilité (open source, self-hosted). L’exode des clients de Scale AI post-Meta a redistribué les cartes au profit de Surge AI, Labelbox et Mercor.

RLHF et évaluation de LLMs

L’annotation ne se limite plus aux images et au texte. Le RLHF, le DPO, le red teaming et l’évaluation de modèles sont devenus des workflows d’annotation à part entière. Les plateformes leaders (Labelbox, Encord, Scale AI) ont toutes ajouté des fonctionnalités de preference ranking, d’évaluation par rubrique et de scoring de qualité pour les outputs de LLMs. La demande pour des annotateurs qualifiés (PhDs, ingénieurs logiciels) qui enseignent aux modèles à raisonner sur des problèmes complexes explose.

Annotation multimodale

Les modèles vision-language et les LLMs multimodaux exigent des données annotées qui combinent texte, image, audio et vidéo dans un même workflow. Les plateformes qui supportent cette annotation unifiée (Encord, Taskmonk, Labelbox) ont un avantage sur celles qui restent spécialisées dans une seule modalité.

Conformité réglementaire

L’EU AI Act (Article 50, applicable août 2026) impose une documentation détaillée de la provenance des données d’entraînement : qui a annoté, quand, selon quelles guidelines, et comment la qualité a été validée. Les plateformes qui intègrent la traçabilité et l’auditabilité par défaut (Encord, Scale AI) ont un avantage réglementaire sur celles qui laissent la gouvernance à l’utilisateur.

Les pratiques éthiques d’annotation deviennent également un prérequis pour les équipes enterprise : rémunération équitable des annotateurs, représentation diverse de la main-d’œuvre, et audit des biais dans les données annotées. La pression sociétale et réglementaire pousse les plateformes vers plus de transparence sur les conditions de travail de leurs annotateurs.

Donnée synthétique comme complément

La génération de données synthétiques émerge comme un complément stratégique à l’annotation manuelle. Les cas d’usage : simulation d’événements rares trop dangereux à capturer (scénarios de conduite autonome), génération de données conformes aux réglementations de confidentialité (HIPAA, RGPD), adaptation domaine (combler le fossé entre simulation et réel), et rééquilibrage de classes sous-représentées. La tendance 2026 est la « donnée synthétique ancrée dans l’humain » : des datasets synthétiques validés contre des annotations réelles pour garantir la fidélité au domaine. Les meilleures plateformes d’annotation commencent à intégrer ces workflows synthétiques dans leur offre.

Comment choisir votre annotation platform

Budget limité, équipe technique : CVAT (vision par ordinateur) ou Label Studio (polyvalent). Open source, self-hosted, zéro coût logiciel.

NLP et active learning : Prodigy. L’intégration native avec spaCy et la boucle active learning en font le choix le plus efficace pour les tâches NLP.

Vision par ordinateur, pipeline complet : Roboflow pour les équipes qui veulent un pipeline label-train-deploy intégré. CVAT Enterprise pour les grands projets avec collaboration d’équipe.

Enterprise multimodal, santé, robotique : Encord. Le support DICOM, LiDAR, et la conformité HIPAA/SOC 2 en font le choix par défaut pour les secteurs réglementés.

Grande échelle avec services managés : Scale AI si vous acceptez le risque de concentration client lié à Meta. Labelbox + Alignerr Network pour une alternative avec plus de contrôle.

RLHF et alignement de LLMs : Labelbox ou Scale AI. Les deux supportent les workflows de preference ranking et d’évaluation par rubrique.

Verdict Polydesk

Le marché des annotation platforms est en pleine recomposition. L’investissement de Meta dans Scale AI a créé des tensions de confidentialité qui redistribuent le marché. Pour les équipes européennes soucieuses de souveraineté des données et de conformité EU AI Act, les solutions open source (CVAT, Label Studio) ou les plateformes avec hébergement européen (Encord, avec conformité GDPR native) sont à privilégier.

Notre recommandation : ne choisissez pas une plateforme d’annotation sur la base d’une démonstration marketing. Lancez un pilote réel avec vos données, vos cas d’usage, et vos annotateurs. Les vraies différences apparaissent sous pression : quand le volume augmente, quand les cas ambigus se multiplient, et quand la cohérence inter-annotateurs est testée. Le coût de changement de plateforme est élevé (migration des guidelines, des ontologies, des workflows), donc le pilote initial est un investissement critique.