Les grands modèles de langage (GML) à code source ouvert sont des modèles d’IA qui utilisent des données de texte en langage naturel et de code de programme logiciel accessibles au public pour apprendre, comprendre et reproduire le langage humain.
Les GML à code source ouvert, une forme d’IA à code source ouvert, peuvent être librement modifiés et partagés, ce qui permet la collaboration et la personnalisation sans frais d’octroi de licence. Cette ouverture favorise la transparence, la sécurité, la concurrence et la diversité des applications dans tous les secteurs. Forme d’IA à code source ouvert, ces GML peuvent être librement modifiés et partagés, ce qui permet la collaboration et la personnalisation à toutes fins sans autorisation ni frais d’octroi de licence, favorisant ainsi la transparence et la sécurité, la concurrence et la polyculture, ainsi que la diversité des applications.
Les grands modèles de langage sont à la base des interfaces utilisateur modernes basées sur l’intelligence artificielle. Ces modèles, entraînés avec des ensembles de données massifs et des architectures de réseaux neuronaux avancées, permettent aux humains d’interagir avec les applications de manière naturelle. La valeur des GML réside dans leur capacité à effectuer des tâches linguistiques nuancées, telles que la synthèse de longs passages de texte ou, à l’inverse, la génération de longs corps de texte en réponse aux instructions de leur utilisateur humain. Dans des domaines aussi divers que le service à la clientèle, la recherche, la création de contenu et l’éducation, les GML permettent aux utilisateurs de poser des questions et de donner des instructions complexes, et à l’IA de répondre d’une manière que même les utilisateurs inexpérimentés peuvent comprendre en atteignant, dans certains cas, le niveau d’un utilisateur expert.
Mais si ces modèles peuvent permettre des interactions conviviales, ils sont extrêmement complexes, souvent construits à partir de données propriétaires qui réduisent la visibilité de leur structure interne et de leurs capacités. Si les grands modèles de langage à code source ouvert offrent généralement une solution de rechange plus accessible, le degré d’ouverture varie. Alors que certains grands modèles de langage révèlent le code et les données d’entraînement sous-jacents, permettant à quiconque de les utiliser, de les modifier ou de les distribuer, d’autres ne publient que le modèle et des artefacts de soutien limités, rendant presque impossible la vérification de la chaîne d’approvisionnement en amont du modèle. En démocratisant l’accès à de puissants outils d’IA, les GML à code source ouvert donnent à un plus large éventail de développeurs le pouvoir d’innover et de personnaliser les solutions d’IA en fonction de leurs besoins précis.
Toute discussion sur les GML à code source ouvert soulève naturellement la question suivante : En quoi les GML à code source ouvert se distinguent-ils des GML propriétaires? Les deux types de modèles diffèrent considérablement sur plusieurs aspects clés, notamment la transparence, l’accessibilité, l’adaptabilité et la participation de la communauté.
Les grands modèles de langage (GML) à code source ouvert sont mis à disposition gratuitement et peuvent être utilisés, modifiés et partagés librement par les utilisateurs, y compris avec leurs propres modifications. Cette ouverture encourage une approche collaborative de l’innovation. Les développeurs peuvent adapter ces modèles à des besoins précis tout en contribuant à un écosystème vivant où de nouvelles améliorations et applications apparaissent constamment. Essentiellement, tout développeur qui améliore un modèle de base et rend sa version personnalisée disponible à la communauté devient un acteur de l’écosystème d’IA associé à ce modèle.
Pour que cela soit possible, les GML à code source ouvert reposent sur une transparence totale concernant l’architecture du modèle, ses données d’entraînement, son code et son objectif d’usage. Afin de favoriser l’adoption communautaire et commerciale, il est crucial que les données utilisées pour l’apprentissage et l’évaluation, les ressources techniques mobilisées et le code source du modèle soient entièrement accessibles pour analyse. C’est là une différence fondamentale par rapport aux GML propriétaires, qui n’offrent généralement aucune visibilité sur leur fonctionnement interne.
Les GML à code source ouvert offrent aussi une liberté accrue : les organisations peuvent les personnaliser selon leurs propres exigences techniques. En revanche, toute modification introduite dans un modèle dérivé peut entraîner des vulnérabilités, notamment en matière de sécurité. Il est donc essentiel de choisir des GML à code source ouvert qui s’appuient sur des pratiques rigoureuses de gouvernance des données et des modèles, afin que les modèles personnalisés respectent les exigences de sécurité et de performance attendues par les utilisateurs finaux. Travailler avec une solution à code source ouvert peut également représenter des coûts importants, notamment pour l’embauche et la formation de spécialistes, les frais juridiques initiaux, le développement de nouvelles fonctionnalités, la conformité aux normes de sécurité, la maintenance, le soutien technique et la gestion continue du cycle de vie du logiciel.
Les GML propriétaires sont détenus et contrôlés par des entités privées, avec un accès généralement limité par des licences payantes. Des entreprises comme OpenAI ou Google proposent des modèles très puissants, mais leur utilisation est souvent limitée à des interfaces de programmation (API) ou à des applications précises définies par le fournisseur. Ce modèle fermé peut limiter la personnalisation et l’adaptation aux besoins, tout en augmentant les coûts et en restreignant l’accès à des infrastructures d’inférence en nuage, parfois situées hors de la région de l’utilisateur final. Par ailleurs, certains GML propriétaires s’appuient en réalité sur des modèles à code source ouvert finement ajustés par les entreprises, qui y ajoutent des optimisations ou des fonctionnalités exclusives, souvent qualifiées de « recette secrète », transformant ainsi ces modèles en solutions propriétaires. Un bon exemple de ce type d’approche est représenté par les modèles Now LLM, qui se distinguent des modèles à code source ouvert par des améliorations ciblées.
Cela dit, les solutions de GML propriétaires présentent aussi certains avantages. Plus particulièrement, les GML sous licence et détenus par l’entreprise ont tendance à offrir une sécurité plus élevée et sont plus conviviaux, avec un soutien de la part de l’entreprise fournissant de l’aide lorsque nécessaire.
Les logiciels à code source ouvert ne sont pas nouveaux : certains des tout premiers logiciels étaient d’ailleurs partagés librement entre les pionniers de l’informatique. Mais avec l’essor relativement récent de l’intelligence artificielle, les principes du code source ouvert commencent à s’ancrer dans le domaine de l’IA. Bien qu’ils partagent des valeurs fondamentales telles que la transparence, la collaboration et l’accessibilité, ils présentent tout de même des différences importantes.
Les logiciels à code source ouvert sont des programmes ou systèmes dont le code source est librement accessible et que chacun peut utiliser, modifier et redistribuer. Ils sont généralement régis par des licences telles que la licence GPL ou la licence Apache, qui définissent les modalités d’utilisation et de redistribution. Des exemples populaires incluent Linux, le serveur Apache HTTP et Mozilla Firefox, qui prospèrent toujours aujourd’hui grâce aux contributions de communautés de développeurs du monde entier.
Avec l’essor de l’intelligence artificielle, les principes des logiciels à code source ouvert ont été adaptés à l’IA. L’IA à code source ouvert en est le résultat. Open Source Initiative définit l’IA à code source ouverte comme suit : « Un système d’IA rendu disponible dans des conditions qui accordent les libertés suivantes :
Ces libertés s’appliquent aussi bien à un système complet qu’à ses éléments distincts. Une condition préalable est d’avoir accès à la forme privilégiée permettant d’apporter des modifications au système. »
- Utiliser le système à toute fin, sans autorisation préalable;
- Étudier le fonctionnement du système et analyser ses composants;
- Modifier le système à toute fin, y compris pour en changer les résultats;
- Partager le système pour que d’autres puissent l’utiliser avec ou sans modifications, à toute fin.
Ces libertés s’appliquent aussi bien à un système complet qu’à ses éléments distincts. Une condition préalable est d’avoir accès à la forme privilégiée permettant d’apporter des modifications au système. »
Comme les logiciels à code source ouvert, l’IA à code source ouvert encourage transparence et collaboration, en donnant aux développeurs un accès direct au code de l’IA. Les licences de code source ouvert jouent un rôle central dans cet écosystème. Les licences (telles que la Blue Oak Model License) décrivent les conditions générales associées à l’utilisation de l’IA. Ces infrastructures juridiques contribuent à maintenir l’accessibilité de l’IA à code source ouvert tout en protégeant les contributeurs de toute responsabilité.
Les GML à code source ouvert utilisent l’IA à code source ouvert soutenue par des licences pour offrir aux développeurs la liberté de personnaliser et d’adapter de grands modèles de langage à leurs besoins précis sans les contraintes des systèmes propriétaires.
Il existe aujourd’hui de nombreuses options pour les organisations intéressées par l’utilisation de GML à code source ouvert. Voici quelques-uns des modèles de langage à code source ouvert les plus transparents actuellement disponibles :
Développé dans le cadre du projet BigCode qui est une collaboration scientifique ouverte menée par Hugging Face et par ServiceNow, StarCoder est un GML conçu pour la génération de code. Entraîné sur plus de 80 langages de programmation, il excelle dans la génération de code, la génération de flux de travail et même les tâches de résumé de texte. StarCoder dispose d’une grande fenêtre de contexte et de fonctionnalités uniques telles que des capacités de remplissage, ce qui en fait un excellent choix de modèle de base. Il est sous licence OpenRAIL-M, qui permet une utilisation commerciale gratuite avec des restrictions éthiques et responsables pour les cas d’utilisation de l’IA.
Créé par l’entreprise en démarrage allemande d’IA Aleph Alpha, Luminous se concentre sur la mise à disposition de capacités avancées de compréhension et de génération du langage naturel. Il est conçu pour concurrencer les GML avancés (tels que les versions récentes de ChatGPT) tout en offrant transparence et développement éthique de l’IA. Luminous se compose de 13 milliards de paramètres et est disponible pour des tâches allant des applications linguistiques de petite échelle à grande échelle.
Les modèles Granite d’IBM sont des GML à code source ouvert conçus pour des applications d’entreprise. Les modèles Granite sont entraînés sur 116 langages de programmation et peuvent être utilisés pour la génération de code et la correction de bogues, ainsi que pour la synthèse et l’explication plus traditionnelles. Ils sont publiés sous la licence Apache 2.0, ce qui les rend adaptés à la fois à la recherche et à l’usage commercial.
Phi-2, développé par Microsoft Research, est un modèle léger de 2,7 milliards de paramètres qui n’en est pas moins capable de rivaliser avec de nombreux modèles plus volumineux en matière de performances. Phi-2 peut effectuer des tâches complexes, notamment le raisonnement de bon sens, le codage, les mathématiques et la compréhension du langage. Sa taille compacte le rend idéal pour une expérimentation efficace, et il est disponible dans Azure AI Studio.
S’appuyant sur le succès de l’infrastructure Stable Diffusion, Stable Video Diffusion est un modèle à code source ouvert axé sur la génération et le montage vidéo. Il exploite l’IA pour créer du contenu visuel dynamique, offrant des outils puissants pour des secteurs tels que le divertissement et la publicité.
Llama 3 de Meta (dont la version 3.1 est la plus récente) est le dernier modèle de la famille Llama. Disponible dans des tailles de modèles allant de 8 milliards à 405 milliards de versions de paramètres, Llama 3 s’appuie sur l’architecture de ses prédécesseurs. Llama 3 est performant dans les tâches de raisonnement, de codage et multilingues, et dispose d’outils de sécurité étendus ou de détection de code non sécurisé.
Développé par Google, BERT (Bidirectional Encoder Representations from Transformers) est un modèle de transformeur à codeur unique conçu pour comprendre et générer le langage humain. Depuis sa sortie en 2018, BERT a été largement adopté pour diverses tâches de traitement du langage naturel (TLN) telles que la classification de texte, la réponse aux questions et l’analyse de sentiments. Malgré son âge relatif, son influence continue de façonner le TLN moderne.
Polyvalents et accessibles, les grands modèles de langage (GML) à code source ouvert offrent une large gamme d’applications dans de nombreux secteurs d’activité. Voici quelques usages parmi les plus courants :
Les GML à code source ouvert peuvent être utilisés pour transformer sans effort des fichiers PDF en fichiers audio attrayants de type balado. En mettant en œuvre un flux de travail GML composé, vous pouvez convertir le texte des PDF en un script conversationnel, puis le narrer à l’aide d’une technologie avancée de synthèse vocale. C’est idéal pour créer du contenu accessible, du matériel éducatif ou simplement pour donner vie à vos documents dans un nouveau format.
Il peut être difficile de mesurer l’émotion derrière les commentaires des clients. Les GML à code source ouvert peuvent être entraînés à analyser le texte pour déterminer le sentiment général exprimé : positif, négatif ou neutre. Cela permet aux entreprises de mieux comprendre les réponses des clients afin d’améliorer leurs produits et services. L’analyse de sentiments est un outil majeur dans la surveillance des médias sociaux pour des aperçus sur les clients.
De nombreux modèles GML à code source ouvert peuvent aider les développeurs en leur suggérant du code, en écrivant des algorithmes complexes, en corrigeant les bogues du code et même en documentant le code. Ils peuvent générer des extraits de code à partir de descriptions en langage naturel, ce qui permet aux utilisateurs de dire au code ce qu’ils veulent qu’il fasse en langage courant.
Les GML sont largement utilisés pour produire des textes cohérents et pertinents par rapport au contexte. Cela inclut la création d’articles, de récits et de dialogues pour les assistants virtuels. Il s’agit d’un élément majeur de l’IA générative, qui trouve des applications dans pratiquement tous les domaines.
Les GML à code source ouvert peuvent automatiser la création de contenu et générer des résumés de documents longs, aidant ainsi les utilisateurs à saisir rapidement les points principaux de textes volumineux. Cela est particulièrement utile pour les professionnels qui ont besoin de traiter efficacement de grands volumes d’information.
Les GML contribuent à faire tomber les barrières linguistiques. Grâce à leurs capacités multilingues, de nombreux GML à code source ouvert peuvent traduire des textes entre plusieurs langues, ce qui permet une communication claire avec un public international. Ces modèles sont entraînés à partir d’ensembles de données linguistiques diversifiés, ce qui garantit des traductions précises et adaptées au contexte, bien au-delà d’une simple traduction mot à mot.
Les GML à code source ouvert alimentent les robots conversationnels alimentés par l’IA et les assistants virtuels actuels, améliorant ainsi le soutien à la clientèle en fournissant des réponses rapides et précises aux questions. Lorsqu’ils sont conçus pour des tâches conversationnelles, les GML peuvent gérer efficacement les interactions avec les clients d’une manière qui semble naturelle pour l’utilisateur. Et si le GML n’est pas en mesure de répondre à une question, il peut être automatisé pour transmettre le problème à un agent humain.
Les GML peuvent être intégrés à des plateformes éducatives afin d’offrir des expériences d’apprentissage personnalisées. Ils peuvent adapter le contenu aux styles d’apprentissage individuels, fournir des explications et générer des exercices spécialement adaptés aux besoins et aux capacités de chaque utilisateur.
- Santé
Des solutions d’IA médicale basées sur les GML permettent la téléconsultation avec des soignants virtuels disponibles en tout temps, capables de diagnostiquer, de fournir des informations et d’organiser les données des patients. Tout comme les robots conversationnels alimentés par l’IA et les agents virtuels, ces programmes sont conçus pour évaluer les problèmes des patients à partir d’aperçus issus de vastes ensembles de données, afin de savoir quand fournir une assistance de manière autonome et quand alerter les équipes médicales humaines.
- Finances
Dans le secteur financier, les GML à code source ouvert améliorent la détection des fraudes, automatisent le soutien à la clientèle et effectuent des analyses de sentiments pour identifier les tendances émergentes. Ces modèles analysent les documents financiers et d’autres données pour fournir des informations détaillées sur le marché en temps réel.
- Journalisme et actualités
Les journalistes et les agences de presse utilisent les GML à code source ouvert pour la synthèse et la traduction. Les GML peuvent être utilisés en interne pour analyser les informations sans partager les données propriétaires en dehors de la salle de presse. Et lorsque les circonstances exigent un traitement immédiat, les agences de presse peuvent demander aux GML à code source ouvert de générer un contenu pertinent et informatif qui s’adresse à leur public cible.
- Secteurs scientifiques
Les GML soutiennent la recherche scientifique en automatisant les revues de la littérature, l’analyse des données et la génération d’hypothèses, mais ils peuvent faire bien plus. L’extrême flexibilité de ces modèles permet aux scientifiques de les adapter à tout type de recherche, de la lutte contre les changements climatiques à l’analyse des séquences d’ADN et à la modélisation des phénomènes astrophysiques.
Des systèmes autonomes personnalisables qui peuvent suivre des instructions en langage humain et répondre de la même manière : il n’est pas difficile d’imaginer les avantages que ces modèles peuvent apporter aux entreprises. Les entreprises qui exploitent les GML à code source ouvert peuvent s’attendre à ce qui suit :
Bien que les GML à code source ouvert offrent de nombreux avantages, ils peuvent également présenter certains risques. Il est important de comprendre les défis suivants et de savoir comment les relever pour garantir une utilisation responsable et efficace :
En raison de leur accès illimité, les GML à code source ouvert peuvent être utilisés aussi facilement à des fins nuisibles que bénéfiques. Diffuser de fausses informations, violer la vie privée, accéder à des informations restreintes ou exclusives : autant de façons dont une IA peut être exploitée. Pour garantir une utilisation éthique, il faut une gouvernance communautaire proactive et des directives claires pour équilibrer l’innovation avec la sécurité et la responsabilité.
Les contributions de la communauté aux GML à code source ouvert peuvent varier en qualité, ce qui conduit à des résultats incohérents. Sans une surveillance normalisée, ces modèles pourraient donner des résultats peu fiables, en particulier dans les applications où la précision est essentielle. Maintenir des normes élevées signifie surveiller de près toutes les contributions au code et les affiner si nécessaire. Malheureusement, cela peut représenter une tâche considérable lorsqu’on travaille avec des codes ouverts.
Toute IA est aussi fiable que les données sur lesquelles elle est entraînée. Lorsque ces données contiennent des opinions biaisées ou des suppositions injustes, l’IA risque de les reproduire. Les GML peuvent être influencés par les biais présents dans leurs données d’entraînement, ce qui peut mener à des résultats faussés ou discriminatoires. Une supervision rigoureuse et une sélection diversifiée des données sont essentielles pour réduire les biais et garantir l’équité et l’inclusivité du contenu et des décisions générés par l’IA.
Lorsqu’elles sélectionnent un grand modèle de langage (GML) à code source ouvert, les organisations doivent tenir compte de plusieurs facteurs pour s’assurer de choisir celui qui correspond le mieux à leurs besoins. Voici les considérations les plus importantes :
- Objectifs
Déterminer l’objectif principal du GML. Que doit-il accomplir pour l’entreprise? Sur quoi doit-il se concentrer? Certains modèles sont conçus pour la recherche, tandis que d’autres sont mieux adaptés à un usage commercial. Il est essentiel que le GML soit en adéquation avec les objectifs définis.
- Précision
Évaluer la précision du modèle pour les tâches qu’il devra effectuer. Même si l’accès au code permet une personnalisation, certains GML sont naturellement plus performants dans certains cas d’utilisation.
- Coût
Bien que les GML à code source ouvert soient gratuits, il faut tenir compte des coûts d’hébergement, d’entraînement et de maintenance du modèle. Les modèles de grande taille nécessitent plus de ressources, ce qui peut faire grimper les coûts d’infrastructure et d’exploitation.
- Performance
Analyser la fluidité linguistique, la cohérence et la capacité de compréhension contextuelle du GML. Une bonne performance dans ces domaines améliore l’expérience utilisateur et l’efficacité des tâches.
- Sécurité des données
Vérifier que le GML peut traiter de manière sécurisée des données sensibles, en particulier lorsqu’il s’agit d’informations personnelles ou confidentielles.
- Qualité des données d’entraînement
Examiner la qualité des données d’origine ayant servi à entraîner le GML. Des données de qualité produisent de meilleurs résultats. Si nécessaire, utiliser des données personnalisées pour ajuster le modèle et améliorer sa performance.
- Compétences disponibles
Les GML complexes nécessitent des compétences avancées en science des données, en opérations d’apprentissage machine et en traitement du langage naturel (TLN). Assurez-vous que l’équipe qui travaillera en étroite collaboration avec le GML possède l’expérience nécessaire. Si ce n’est pas le cas, prévoyez une formation ou recrutez du personnel pour combler cette lacune.
ServiceNow propose des modèles de langage propriétaires de premier plan grâce au service Now LLM, qui permet des fonctionnalités avancées pilotées par l’IA, telles que la synthèse des conversations, la synthèse des dossiers agents, la recherche optimisée par l’IA, la traduction dynamique et des interactions conversationnelles fluides. Ces capacités reposent sur des innovations à code source ouvert : ServiceNow entraîne ouvertement des modèles fondamentaux, tels que StarCoder, dans le cadre de ses initiatives. Ces modèles sont ensuite affinés pour devenir les Now LLM, des modèles propriétaires spécialement conçus pour optimiser la productivité en entreprise et offrir des expériences d’IA générative de très haut niveau.
Cette base à code source ouvert, renforcée par des collaborations avec des partenaires comme Hugging Face et NVIDIA, permet à ServiceNow de faire progresser l’IA de manière responsable tout en partageant des innovations précieuses avec la communauté. Grâce à cette approche, les organisations bénéficient de puissantes compétences spécialisées en IA, allant de la recommandation automatique de flux de travail à la génération de code à partir de texte avec une précision remarquable. Et parce que les Now LLM sont intégrés de façon native à Now Platform®, ils renforcent naturellement les applications et les flux de travail existants pour stimuler l’efficacité dans tous les services.
Découvrez ServiceNow en action et voyez comment l’IA et les GML peuvent transformer vos opérations; planifiez votre démonstration dès aujourd’hui!