BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Capitole du Libre//Programme 2026//FR
CALSCALE:GREGORIAN
METHOD:PUBLISH
BEGIN:VEVENT
UID:RDHTPP@capitoledulibre.org
DTSTAMP:20260911T114537Z
DTSTART:20261114T163000Z
DTEND:20261114T165500Z
SUMMARY:Une IA ouverte et respectueuse\, nourrie de données synthétiques 
 : contradiction ou nécessité ? — Benjamin Bellamy et Julie Hunter
LOCATION:ENSEEIHT — Salle A202
DESCRIPTION:Format : Conférence 25min\nPublic visé : Tout public\n\nTout 
 ce qu'un modèle « sait » vient des textes lus pendant l'entraînement. 
 Une IA se choisit donc moins à ses performances qu'à ce qu'on a mis deda
 ns : d'où viennent ces textes\, et leurs auteurs avaient-ils autorisé ce
 t usage ? Y répondre sérieusement suppose une contrainte qu'aucun des gr
 ands modèles ne s'impose : tracer l'origine de chaque jeu de données\, e
 xclure ceux qui ne sont pas ouverts\, refuser les faux ouverts (une licenc
 e MIT apposée sur un contenu non commercial n'ouvre rien)\, appliquer ré
 troactivement les exclusions déclarées dans les robots.txt. À l'inverse
 \, les modèles fermés ne publient même pas leur nombre de paramètres\,
  ce qui rend toute comparaison sérieuse impossible. Mais cette exigence a
  un coût direct : elle restreint mécaniquement la quantité de données 
 disponibles. Du texte à la fois libre de droits\, documenté et de qualit
 é\, il n'y en a pas tant que ça — et encore moins dès qu'on sort de l
 'anglais. Pour le français courant\, c'est déjà tendu. Pour le françai
 s régional\, les langues peu dotées\, les domaines spécialisés\, c'est
  souvent le vide. C'est là qu'intervient une pratique aujourd'hui banalis
 ée mais rarement assumée : générer soi-même les données manquantes a
 vec un autre modèle. Les données synthétiques permettent de combler ce 
 que le web n'offre pas — de doter une langue ou un domaine d'un corpus q
 ui n'existait pas\, à moindre coût de calcul qu'un entraînement massif 
 sur des données brutes. Le problème\, c'est que cette solution porte en 
 elle son propre risque. Un modèle qui réapprend massivement des textes g
 énérés par ses prédécesseurs finit par tourner en rond : il perd en d
 iversité\, amplifie ses propres biais et erreurs\, jusqu'à un phénomèn
 e documenté d'effondrement (« model collapse »). Et le web se remplit l
 ui-même de contenus générés\, rendant de plus en plus difficile de sav
 oir\, au moment de constituer un corpus « ouvert »\, ce qu'on y intègre
  réellement. La question n'est donc pas d'interdire le synthétique — o
 n ne peut pas rester ouvert et multilingue sans lui — mais de le soumett
 re à la même exigence de traçabilité que le reste : documenter ce qui 
 a été généré\, par quel modèle\, avec quel prompt\, dans quelle prop
 ortion du corpus final. Le dire\, plutôt que le nier ou le dissimuler com
 me le font la plupart des modèles fermés. Cette rigueur a aussi une trad
 uction concrète et sobre : mieux vaut distiller un grand modèle vers un 
 petit\, ou générer des données ciblées\, que racler le web sans fin 
 — un principe qui rejoint les travaux sur l'IA frugale (référentiel AF
 NOR\, quantisation\, réutilisation plutôt que ré-entraînement). La ré
 ponse à cette tension\, c'est de traiter le modèle lui-même comme un co
 mmun numérique. Pas un produit que l'on consomme\, mais un bien partagé 
 : corpus documenté et redistribué tel qu'utilisé — y compris sa part 
 synthétique et sa méthode de génération —\, code d'entraînement pub
 lié\, poids finaux et intermédiaires ouverts\, le tout sous licence libr
 e et gouverné collectivement. C'est exactement la démarche de la famille
  de modèles Luciole\, portée par OpenLLM France. Sans cela\, une langue\
 , une culture\, un domaine n'existera dans les modèles de demain qu'à tr
 avers le regard d'un autre — humain ou synthétique — et personne ne p
 ourra vérifier lequel. Ces choix ont un prix : ils pénalisent les scores
  sur certains classements\, et nous expliquerons pourquoi la traçabilité
  prime sur le « benchmark ». Mais le mot coût a deux faces. Un modèle 
 propre et sobre\, c'est aussi un modèle que l'on peut faire tourner chez 
 soi\, auditer\, spécialiser\, brancher sur ses propres documents\, sans d
 épendre de personne. Nous terminerons donc sur ce que l'on peut concrète
 ment en faire\, avec la famille de modèles Luciole d'OpenLLM France.
URL:https://capitoledulibre.org/programme/talk/RDHTPP/
END:VEVENT
END:VCALENDAR