Intelligence Artificielle libre & souverain

Intelligence Artificielle

L'IA n'est plus un service à louer : c'est un outil de production que l'on peut installer, comprendre et posséder. Sur ce secteur, WebTech3 travaille une seule question : comment une coopérative fait tourner des modèles puissants sur ses propres machines, avec ses propres données, sans dépendre d'une API étrangère qui change de prix, de politique ou de conditions du jour au lendemain.

Trois axes structurent la démarche : l'exécution locale (souveraineté), la perception et l'action (vision + agents), l'éthique et la propriété (les 3 lois, les licences, la traçabilité).

Axe 1 — IA libre et locale : la souveraineté par l'exécution

Principe

Un modèle de langage qui tourne en local sur un GPU ou un CPU correct ne peut pas exfiltrer vos données : il n'a pas de réseau. La souveraineté n'est pas une déclaration d'intention, c'est une propriété technique vérifiable : pas de télémétrie, pas de quota, pas de coupure, pas de ré-entraînement sur vos documents.

Exemples concrets

• LLM génératifs ouverts — DeepSeek-R1 (licence MIT, distillations 1.5B → 70B utilisables sur une seule carte), Qwen2.5 / Qwen3 (Apache-2.0, excellents en français et en code), Mistral, Gemma, Llama. Un modèle 7B–14B quantifié en Q4_K_M tient dans 6 à 10 Go de VRAM : c'est le format de travail réaliste d'un poste ou d'un petit serveur coopératif.
• Moteurs d'inférence — llama.cpp et Ollama pour le poste de travail et les machines sans GPU ; vLLM et SGLang pour le service multi-utilisateurs avec batching continu ; Open WebUI ou Jan comme interface.
• RAG souverain — l'index vectoriel reste sur le disque (Qdrant, Chroma, pgvector). Vos documents, vos contrats, vos notes de frais ne sortent jamais : le modèle lit ce que vous lui donnez, à l'instant où vous le lui donnez.

Points de vigilance

• Une quantification agressive (Q2, Q3) dégrade visiblement le raisonnement et le respect des consignes : préférer Q4_K_M ou Q5_K_M et réduire la taille du modèle plutôt que sa précision.
• « Ouvert » ne veut pas dire « libre » : le poids peut être téléchargeable mais sous licence restrictive. Vérifier avant tout usage commercial.
• Air-gap réel = pas de mise à jour automatique, donc un cycle de patching manuel à planifier.

Axe 2 — Vision et agents : percevoir, puis agir

Principe

Un LLM seul parle. Un système utile voit (vision) et fait (agents qui appellent des outils). C'est là que l'IA cesse d'être une démo et devient une chaîne de traitement qui remplace des heures de saisie.

Exemples concrets

• Vision — détection et segmentation avec YOLO (v8/v11), RT-DETR ou SAM 2 ; lecture de documents avec PaddleOCR, Tesseract ou Florence-2. Cas typique : numériser des bons de livraison ou des factures fournisseurs, extraire les lignes en JSON, les injecter dans la comptabilité sans ressaisie.
• Modèles vision-langage — Qwen2-VL / Qwen2.5-VL (Apache-2.0) : on donne une photo de tableau blanc ou un schéma technique et on récupère du texte structuré, en local.
• Agents outillés — smolagents, LangGraph, CrewAI, AutoGen. Un agent = un modèle + un ensemble d'outils (recherche dans les fichiers, requête SQL, appel HTTP, écriture de rapport) + une boucle de vérification. Le protocole MCP standardise le branchement de ces outils.
• Automatisation métier — un agent qui surveille une boîte mail partagée, classe les demandes, prépare un brouillon de réponse et le laisse en validation humaine. Le modèle propose, l'humain signe.

Points de vigilance

• Un agent sans limite d'itérations ni périmètre d'écriture est un incident en attente : imposer un nombre maximal d'étapes et un bac à sable.
• Ne jamais donner à un agent des droits que l'on ne donnerait pas à un stagiaire le premier jour (pas de suppression, pas de paiement, pas d'envoi sans relecture).
• Journaliser chaque appel d'outil : c'est la seule façon de rejouer une erreur.

Axe 3 — Éthique, licences et propriété du travail : les 3 lois

Les 3 lois, transposées de la robotique aux agents logiciels

• Loi 1 — Ne pas nuire. Aucune action irréversible, aucune fuite de données personnelles, aucune décision automatisée sur une personne sans recours humain. En cas de conflit, cette loi prime sur toutes les autres.
• Loi 2 — Obéir au mandat. L'agent agit strictement dans le périmètre déclaré : missions autorisées, licences respectées, consentements obtenus, sources citées. Un ordre hors mandat est refusé, pas négocié.
• Loi 3 — Préserver la traçabilité. L'agent se maintient en état d'être audité : journaux conservés, version du modèle et du prompt enregistrées, possibilité d'expliquer une sortie. Il ne se substitue jamais à la responsabilité humaine.

Propriété du travail

• Ce qui est produit est à vous — prompts, jeux de données annotés, adaptateurs LoRA, scripts d'inférence, rapports. À versionner comme du code (Git + DVC ou Git LFS), avec la licence choisie explicitement en tête de dépôt.
• Lire les licences avant de builder dessus — Apache-2.0 et MIT : usage commercial libre. AGPL (certaines versions de YOLO) : contamine le service exposé. Licences communautaires (Llama) : restrictions d'échelle et de concurrence.
• Documenter le modèle utilisé pour chaque livrable : nom, version, quantification, date, empreinte. Un client coopératif doit pouvoir savoir avec quoi son document a été produit.

Limites assumées

• Hallucinations : un modèle local se trompe exactement comme un modèle distant. La vérification factuelle reste un travail humain.
• Biais : ils viennent des données d'entraînement, pas de l'hébergement. Un modèle local reproduit les biais de son corpus.
• Coût énergétique et matériel : un GPU qui tourne à plein consomme. Dimensionner le besoin avant d'acheter la carte.

Tableau de synthèse

Axe	Outils libres de référence	Ce que ça garantit	Livrable type
IA libre et locale	llama.cpp, Ollama, vLLM, DeepSeek-R1, Qwen3, Mistral, Qdrant	Aucune donnée ne quitte le réseau ; pas de coût à la requête ; disponibilité hors ligne	Poste de travail IA + RAG documentaire interne
Vision et agents	YOLO, SAM 2, PaddleOCR, Qwen2.5-VL, smolagents, LangGraph, MCP	Automatisation de tâches de perception et d'action, avec point de validation humaine	Chaîne d'extraction de documents ou agent de tri et de pré-réponse
Éthique et propriété	3 lois, audit de licences, journalisation, DVC/Git LFS	Périmètre d'action borné, responsabilité humaine intacte, actifs et droits conservés	Charte d'usage IA + fiche technique par modèle déployé

Mise en œuvre : la séquence réaliste

• 1. Cadrer — écrire la tâche, le volume, la fréquence, l'erreur acceptable. Sans ce cadre, aucun choix de modèle n'est rationnel.
• 2. Tester petit — un 7B quantifié sur une machine existante, sur 50 cas réels. Mesurer le taux d'erreur avant d'acheter quoi que ce soit.
• 3. Industrialiser — service vLLM, interface partagée, journaux, versionnage des prompts et des adaptateurs.
• 4. Évaluer et documenter — jeu de test de référence conservé, fiche modèle, licence, date de révision. L'évaluation continue fait partie du livrable.
• 5. Réutiliser — ce qui est construit pour un atelier sert au suivant. Dans un réseau coopératif, le code et les procédures se partagent ; les données, elles, ne se partagent que sur consentement explicite.