Aperçu moduleModule previewVista previa del módulo
Aperçu limité, 3 premières étapesLimited overview, first 3 stepsVisibilidad limitada, 3 primeras etapas

Modèles open source & souverainetéOpen-source models & sovereigntyModelos open source y soberanía

Parcours : Développer avec les LLMs · AvancéCourse: Developing with LLMs · AdvancedCurso: Desarrollar con LLM · Avanzado

Modèles open source & souveraineté
1/7
ÉtapeStepEtapa 1 / 7

≈ 15 min

Contexte

Pourquoi l’open source ouvre des options stratégiques : souveraineté, coût, contrôle.

Au programme de ce moduleIn this moduleEn el programa de este módulo

  1. 01Contexte≈ 15 min
  2. 02Explication≈ 35 min
  3. 03Démonstration≈ 30 min
  4. 04Cas pratique≈ 25 min
  5. 05Étude de cas≈ 25 min
  6. 06Exercice≈ 35 min
  7. 07Quiz≈ 5 min
Durée totaleTotal durationDuración total≈ 170 min
voix de synthèse

Les modèles open source, au sens « poids ouverts », c’est-à-dire dont les paramètres sont téléchargeables (Llama, Mistral, Mixtral, Qwen, DeepSeek, Gemma, Phi), ont rattrapé en qualité un grand nombre d’usages. Les déployer localement ou chez un hébergeur européen ouvre trois leviers : la souveraineté des données (les données ne quittent pas votre infrastructure), un coût marginal proche de zéro à grande échelle, et le contrôle du modèle (versionnage figé, ajustement fin). Ce module est CANONIQUE pour la quantization et le déploiement de modèles open source.

Cadrage dédup

Le panorama des modèles et leurs critères de choix (découverte) sont traités au parcours « Fondamentaux de l’IA & IA Générative », module 4, sans manipulation technique. Tout le contenu OUTILLÉ (quantization, Ollama, déploiement local et serveur) est enseigné ICI, et nulle part ailleurs.

Objectifs d’apprentissage

À l’issue de ce module, vous saurez Identifier les familles de modèles open source et le rôle de leur licence, Comprendre la quantization et son compromis qualité/performance, Déployer un modèle en local via Ollama, et Choisir entre cloud propriétaire et open source selon le contexte, sur des critères mesurés.

Une clarification s’impose avant d’aller plus loin, car le vocabulaire prête à confusion et cette confusion coûte cher. « Poids ouverts » signifie que les paramètres du modèle sont téléchargeables et exécutables chez vous. Cela ne dit rien des conditions d’usage, qui sont fixées par la licence, ni de la transparence des données d’entraînement, qui est un tout autre sujet. Un modèle peut être téléchargeable et néanmoins soumis à des restrictions d’usage commercial. Lire la licence avant de bâtir un produit dessus n’est pas une formalité juridique, c’est une condition de viabilité.

Deuxième point de cadrage : exécuter un modèle chez soi déplace le coût, il ne le supprime pas. Ce que vous cessez de payer au jeton, vous le payez en matériel, en administration, en supervision, en mises à jour et en compétences internes. Cette bascule devient avantageuse à partir d’un certain volume, ou lorsqu’une contrainte de localisation des données rend l’externalisation impossible. En deçà, l’auto-hébergement est souvent un projet d’infrastructure déguisé en économie.

Troisième point, le plus important pour la suite : dans ce domaine, presque rien ne se devine. L’effet d’une réduction de précision sur la qualité dépend de la tâche, le confort d’exécution dépend de votre matériel, et le coût dépend de votre volume réel. Ce module vous donne donc moins des conclusions que des protocoles de mesure. C’est volontaire, et c’est ce qui rendra vos décisions défendables devant une direction technique.

Ce que vous saurez faire

À la fin de ce module, vous saurez faire tourner un modèle à poids ouverts sur votre machine, expliquer ce que la réduction de précision compresse et ce qu’elle coûte, monter un protocole de comparaison honnête entre une exécution locale et un service distant, identifier les questions de licence qui doivent remonter à un juriste, et arbitrer par un routage plutôt que par un choix unique.