Obtenir un certificat — 16,67 $5 $
Modèles ouverts : faire tourner l’IA sur votre propre ordinateur
Une formation pratique pour faire tourner des modèles d’IA sur votre propre ordinateur : la différence entre modèles à poids ouverts, open source et fermés, comment lire les licences, comment paramètres et quantification déterminent ce que votre matériel peut exécuter, comment installer et exécuter un modèle en sécurité avec un chat et une API locaux, et comment l’utiliser et l’évaluer honnêtement. Cinq modules, chacun avec un exemple commenté, et un quiz final de 10 questions. Les outils sont cités de façon neutre et seulement à titre d’exemples. Fondée sur des pages officielles citées. Ce n’est ni une qualification accréditée ni un conseil juridique.
Ce que vous allez apprendre
- Expliquer et appliquer : Distinguer modèles à poids ouverts, open source et fermés, et peser confidentialité, usage hors ligne, coût et contrôle face aux compromis de l’exécution locale.
- Expliquer et appliquer : Lire la licence d’un modèle pour l’usage commercial, la redistribution et les restrictions d’usage, et expliquer à haut niveau la définition de l’IA open source.
- Expliquer et appliquer : Estimer si un modèle tient sur votre matériel à partir des paramètres et de la quantification, et expliquer la différence entre CPU et GPU.
- Expliquer et appliquer : Installer et exécuter un modèle en sécurité : sources fiables, sommes de contrôle, formats de fichiers sûrs, fonctionnement hors ligne, chat et API locaux.
- Expliquer et appliquer : Utiliser un modèle local sur de petites tâches et sur vos documents, l’évaluer honnêtement, et le garder à jour et sécurisé.
Modules
- Poids ouverts, open source et modèles fermés
- Licences : lire avant de s’appuyer dessus
- Matériel, paramètres et quantification
- Installer et exécuter un modèle en sécurité
- Bien l’utiliser : tâches, recherche documentaire, évaluation et sécurité
Fiche de la formation
- Durée d’étude estimée
- environ 75 minutes
- Évaluation finale
- 10 questions · Seuil de réussite 80%
- Disponible en
- English, Français, العربية
- Prix
- Gratuit. Certificat vérifiable en option : 5 $
- Dernière mise à jour
- Publié par
- AMAADOR ACADEMY
À qui s’adresse cette formation
Professionnels curieux de technologie et développeurs qui veulent exécuter des modèles ouverts sur leur propre matériel, et doivent les choisir, les installer et les utiliser avec soin.
Prérequis
Une aisance avec un terminal et la gestion de fichiers aide. Aucune base en apprentissage automatique n’est requise. Aucun outil ni aucune marque particulière n’est supposé.
Contenu de la formation
1. Poids ouverts, open source et modèles fermés
Un modèle de langage est, en pratique, un très gros fichier de nombres appelés poids, accompagné d’un peu de code qui sait les exécuter. Trois expressions sont souvent employées à la légère. Un modèle fermé n’est accessible que par le service d’un fournisseur : vous envoyez du texte, vous recevez du texte, et vous ne détenez jamais les poids. Un modèle à poids ouverts est un modèle dont vous pouvez télécharger les poids entraînés et les exécuter sur votre propre machine, selon la licence choisie par l’éditeur. Un modèle réellement open source, au sens plus strict retenu dans cette formation, serait aussi accompagné du code et des informations sur les données d’entraînement nécessaires pour l’étudier et le reproduire. De nombreux modèles très téléchargés ont des poids ouverts sans être open source dans ce sens strict, et la différence compte pour ce que vous avez le droit de faire et pour ce que vous pouvez vérifier.
Pourquoi faire tourner un modèle en local ? Il y a quatre raisons courantes. La confidentialité : le texte que vous saisissez reste sur un matériel que vous maîtrisez, ce qui peut simplifier certaines questions de protection des données, sans supprimer vos propres obligations. L’usage hors ligne : une fois les fichiers sur le disque, le modèle fonctionne dans un train, sur un chantier sans réseau ou dans un réseau isolé. Le coût : vous payez du matériel et de l’électricité au lieu d’un tarif par requête, ce qui peut être moins cher pour une charge régulière et modeste, et plus cher pour un usage occasionnel. Le contrôle : vous choisissez la version, elle ne change pas sous vos pieds, et vous pouvez inspecter et encadrer la façon dont elle est utilisée. Aucune de ces raisons n’est automatique ; chacune dépend de votre installation, ce que traite la suite de la formation.
2. Licences : lire avant de s’appuyer dessus
Pouvoir télécharger un fichier ne dit pas ce que vous avez le droit d’en faire. Tout modèle publié au téléchargement devrait être accompagné d’une licence, en général dans un fichier à côté des poids ou sur la page du modèle, et c’est cette licence qui tranche. Les licences de modèles varient beaucoup. Certaines reprennent des licences logicielles bien connues. D’autres sont des licences sur mesure rédigées par l’éditeur, avec leurs propres conditions. Deux modèles de taille et de qualité semblables peuvent autoriser des choses très différentes : l’un permet un usage commercial sans condition, l’autre limite l’usage commercial au-delà d’une certaine échelle, impose d’afficher une mention, ou interdit d’utiliser ses sorties pour entraîner d’autres modèles. Ne supposez rien ; lisez le texte qui accompagne réellement la version que vous avez téléchargée.
Portez une attention particulière aux restrictions d’usage. Certaines licences comprennent une politique d’utilisation acceptable qui énumère des finalités interdites, et celles-ci peuvent être des conditions contraignantes de la licence plutôt que de simples conseils. Vérifiez si la redistribution est permise si vous comptez partager une copie modifiée ou compressée, si la mention de l’auteur est exigée, et si la licence couvre les poids, le code, ou les deux, car cela peut différer. Si vous travaillez pour une organisation, les questions de licence qui touchent des produits ou des clients relèvent de la revue juridique ; cette formation peut vous aider à mieux poser les questions, mais ce n’est pas un conseil juridique.
3. Matériel, paramètres et quantification
La taille d’un modèle s’exprime en général en paramètres, les nombres individuels qu’il contient : « 7B » signifie environ sept milliards. Chaque paramètre doit être stocké, et le nombre d’octets par paramètre dépend de la précision. En 16 bits, soit 2 octets, sept milliards de paramètres demandent environ 14 gigaoctets rien que pour les poids. C’est un calcul approximatif, pas une mesure (1 gigaoctet est pris ici pour un milliard d’octets, et les fichiers réels diffèrent un peu), et c’est la première vérification à faire avant de télécharger quoi que ce soit. En plus des poids, le programme a besoin de mémoire pour le contexte, c’est-à-dire le texte que le modèle est en train de lire et d’écrire, et pour son propre espace de travail. Les contextes plus longs demandent plus de mémoire : un modèle qui se charge peut donc manquer de place sur un long document.
La quantification est l’astuce principale qui rend l’usage local praticable. Elle stocke chaque poids avec moins de bits, par exemple 4 au lieu de 16, ce qui réduit le fichier à environ un quart de sa taille. Par le même calcul, sept milliards de paramètres en 4 bits donnent environ 3,5 gigaoctets plus une marge. Le prix est une certaine perte de précision, qui peut compter ou non pour votre tâche ; une compression plus forte coûte en général plus de qualité, il faut donc tester. Les modèles quantifiés sont souvent distribués dans des formats comme GGUF, que lit llama.cpp, et des outils comme Ollama empaquettent ces fichiers pour vous. Les fiches de modèle indiquent d’ordinaire les niveaux de quantification disponibles et la taille des fichiers, ce qui vaut mieux qu’une règle empirique.
4. Installer et exécuter un modèle en sécurité
Le téléchargement d’un modèle relève de la chaîne d’approvisionnement logicielle et mérite le soin que vous apporteriez à toute autre dépendance exécutable. Préférez la page officielle de l’éditeur ou le compte de son organisation sur une plateforme connue comme Hugging Face, et méfiez-vous des noms presque identiques, des copies republiées et des miroirs inexpliqués. De nombreux éditeurs indiquent une somme de contrôle, l’empreinte d’un fichier, sur la page du modèle ou avec les fichiers. Après le téléchargement, calculez l’empreinte de votre copie avec un outil standard et comparez-la à la valeur publiée : une correspondance montre que le fichier n’a pas été corrompu ni remplacé en route, mais elle ne prouve que l’intégrité, pas que le modèle est bon ni que son éditeur est digne de confiance.
Le format de fichier compte pour la sécurité. Certains fichiers de modèle sont enregistrés avec le mécanisme pickle de Python, et charger un fichier pickle peut exécuter du code arbitraire : ouvrir un fichier non fiable revient à lancer un programme non fiable. Le format safetensors a été conçu pour ne stocker que des tenseurs, les tableaux de nombres, sans code, ce qui supprime ce risque précis et se charge aussi efficacement. Le GGUF, utilisé par llama.cpp, est de même un format de données pour fichiers de modèle. Préférez ces formats, évitez de charger des fichiers pickle non fiables, et traitez tout modèle qui demande d’exécuter du code personnalisé de son dépôt avec la même méfiance que n’importe quel script d’Internet. Un format sûr ne rend pas les réponses d’un modèle sûres ; il signifie seulement que le fichier lui-même n’est pas un programme.
5. Bien l’utiliser : tâches, recherche documentaire, évaluation et sécurité
Les modèles locaux sont à leur meilleur sur des tâches petites et bien définies : résumer une page, extraire des champs d’un texte, reformuler sur un ton donné, classer des messages, rédiger un premier jet qu’un humain retouche. Donnez au modèle un travail étroit, une consigne claire et, si possible, un exemple de la sortie voulue. Les modèles plus petits sont en général moins fiables sur le raisonnement ouvert, les longues chaînes d’étapes ou les faits obscurs : ne leur demandez pas d’être un oracle. Ils peuvent aussi énoncer des erreurs avec aisance, c’est pourquoi une personne doit vérifier tout ce qui compte avant usage.
Pour qu’un modèle réponde à partir de vos propres documents, un schéma courant est la génération augmentée par la recherche. Vos documents sont découpés en passages et indexés. Pour chaque question, le système retrouve les passages les plus pertinents et les place dans l’invite, de sorte que le modèle répond à partir de ce texte plutôt que de sa mémoire. Cela ne réentraîne pas le modèle et garde vos fichiers sur votre machine. Cela peut quand même échouer : la recherche peut choisir le mauvais passage, et le modèle peut l’ignorer ou le mal lire. Demandez au modèle de citer le passage utilisé, et gardez le fichier source ouvert pour vérifier. Notez aussi que le texte contenu dans les documents est une entrée non fiable, et qu’un document peut contenir des instructions qui tentent d’orienter le modèle.
La leçon complète se poursuit dans la formation interactive de cette page.
Sources et références
- Hugging Face documentation
- llama.cpp repository and documentation
- Ollama repository and documentation
- Open Source AI Definition
- safetensors documentation
- Hub documentation: pickle scanning
- OWASP Top 10 for LLM Applications
- AI Risk Management Framework
Formation uniquement éducative. Ce n’est ni un conseil juridique, financier ou professionnel, ni une qualification accréditée. Les licences, outils et réglages par défaut évoluent ; les sources officielles sont résumées telles que lues à la date de consultation, vérifiez donc le texte et la documentation en vigueur. Les chiffres des exemples commentés sont illustratifs.