L’IA selon ses propres règles

L’intelligence artificielle est souvent perçue comme un service qui fonctionne quelque part ailleurs. La plateforme de gestion du machine learning (MLMP) de la BFH-TI adopte une autre approche : elle offre aux étudiants, aux enseignants, aux collaborateurs du corps intermédiaire et au personnel spécialisé un accès à une infrastructure d’IA commune, tout en maintenant les connaissances et le contrôle au sein de la haute école. 

SocietyByte : L’abréviation MLMP semble assez technique. De quoi s’agit-il exactement ?

Daniel Reichenpfader : MLMP signifie Machine Learning Management Platform, soit plateforme de gestion du machine learning. Concrètement, il s’agit d’un environnement commun au sein de la BFH, au Département Technique et Informatique, dans lequel les étudiants, les enseignants, les chercheurs et le personnel spécialisé peuvent développer, entraîner et utiliser des modèles d’intelligence artificielle. La plateforme associe une puissance de calcul importante à des services donnant accès aux modèles de langage actuels. L’élément déterminant n’est toutefois pas la technologie en elle-même, mais ce qu’elle permet : à la BFH, il est possible d’expérimenter, d’apprendre, d’enseigner et de faire de la recherche sans devoir mettre en place une infrastructure propre à chaque projet.

Quel problème la plateforme permet-elle de résoudre ?

Peter von Niederhäusern : Les projets d’IA nécessitent davantage qu’une bonne idée. L’entraînement des modèles exige une puissance de calcul considérable, et l’exploitation fiable d’un modèle de langage moderne requiert également des connaissances spécialisées. Pour un cours individuel ou une équipe de recherche, ces obstacles peuvent être trop importants. La MLMP regroupe les ressources nécessaires. Les enseignants peuvent préparer un exercice, les étudiants étudier le comportement d’un modèle et les équipes de recherche tester des applications sur une base commune. Ils disposent ainsi de davantage de temps pour se concentrer sur la question proprement dite.

De nombreuses personnes utilisent déjà des chatbots d’IA publics. Pourquoi une haute école aurait-elle besoin de sa propre plateforme ?

Daniel Reichenpfader : Les chatbots d’IA publics sont pratiques, presque comme du « take-away » pour les textes. Pour les hautes écoles, la question est toutefois de savoir ce qui doit être appris (préparé) et contrôlé (cuisiné) dans sa propre cuisine ; où les données sont traitées, qui comprend la technologie et comment réduire la dépendance à l’égard de certains fournisseurs. La MLMP exploite une infrastructure locale de calcul haute performance et met des modèles ouverts à la disposition de la communauté de la BFH. Cela renforce la souveraineté en matière de données et de technologie : la BFH conserve davantage de contrôle sur l’infrastructure, les modèles et le savoir-faire. Parallèlement, l’ensemble de la chaîne, du matériel informatique jusqu’à l’application, devient un objet d’enseignement et de recherche.

Le terme « local » signifie-t-il que l’on peut saisir toutes les données sans aucune précaution ?

Fernando Pareja : Non. Une utilisation responsable commence toujours par les personnes qui utilisent l’outil. Un service exploité localement offre davantage de possibilités de contrôle et d’apprentissage, mais il ne remplace ni la protection des données, ni l’esprit critique, ni des règles claires. C’est particulièrement précieux dans la formation : les étudiants ne doivent pas seulement apprendre ce que l’IA est capable de faire, mais aussi connaître ses limites et ses risques.

Que peut-on concrètement faire avec la MLMP ?

Peter von Niederhäusern : Le champ d’application va de l’apprentissage automatique classique jusqu’à l’IA générative. Les utilisateurs peuvent réserver des capacités de calcul afin d’entraîner des modèles ou d’effectuer des calculs complexes. Les modèles de langage peuvent être utilisés via un navigateur ou une interface de programmation standardisée. Il est ainsi possible de résumer et d’analyser des textes, d’expérimenter la recherche dans des documents, de développer des prototypes, de transcrire de la parole ou d’étudier des applications combinant texte et image. Pour les classes nombreuses, il est possible de préparer des environnements interactifs Jupyter Notebook accessibles via le navigateur, afin que tous les participants commencent avec les mêmes outils et les mêmes exemples.

Comment le partage de ces équipements performants fonctionne-t-il au quotidien ?

Hanspeter Zimmermann : Il faut de la coordination. Les ressources de calcul sont limitées ; il est donc nécessaire de planifier les travaux intensifs et de préparer les activités d’enseignement. Il est plus facile de gérer une classe dont les étudiants travaillent à des moments différents que si tous envoient simultanément une requête complexe. Cela peut sembler, à première vue, être une contrainte, mais cela permet de prendre conscience d’un élément important : l’intelligence artificielle ne fonctionne pas dans le vide. Quelque part, un ordinateur tourne, de l’électricité est consommée, la chaleur doit être évacuée et quelqu’un doit veiller au bon fonctionnement de l’ensemble.

À qui la plateforme est-elle destinée et comment doit-elle évoluer ?

Daniel Reichenpfader : Le premier groupe cible est la communauté de la BFH : étudiants, enseignants, chercheurs et personnel spécialisé. Au-delà de cela, l’objectif est de créer un centre de compétences en IA axé sur la pratique, qui partage ses expériences et collabore avec d’autres hautes écoles ainsi qu’avec des partenaires, notamment des petites et moyennes entreprises. La vision ne consiste pas simplement à disposer d’ordinateurs rapides. La BFH doit pouvoir utiliser l’IA de manière responsable et souveraine, conserver les connaissances essentielles au sein de l’institution et renforcer l’écosystème d’innovation. 

Que devraient retenir les lectrices et les lecteurs à propos de la MLMP ?

Peter von Niederhäusern : La souveraineté en matière d’IA devient concrète lorsque les personnes peuvent apprendre à utiliser la technologie, en explorer les limites et concevoir elles-mêmes des applications. En tant qu’équipe MLMP, nous ne rendons pas l’IA magique, mais nous la rendons tangible : à la fois infrastructure, lieu d’apprentissage et atelier.

Public MLMP documentation: https://infra.pages.ti.bfh.ch/mlmp/src/