Autres IA

Réentraîner une IA géante de zéro coûte trop cher, mais vous voulez l'adapter rien que pour vous ; LoRA (Low-Rank Adaptation) exauce ce vœu en gelant le modèle d'origine et en n'entraînant qu'une minuscule pièce ajoutée (un adaptateur), réduisant les paramètres entraînables d'environ 90 %. LoRA rend le fine-tuning bien moins cher et plus rapide, et il est très populaire dans la génération d'images comme Stable Diffusion. Cet article l'explique avec une analogie de la pièce rapportée. LoRA est le fer de lance du fine-tuning efficace en paramètres (PEFT) : laisser les énormes poids d'origine gelés, insérer une petite matrice ajoutée dans chaque couche, et n'entraîner que celle-ci (W = W0 + BA). Avantages : environ 90 % de paramètres en moins, moins de mémoire GPU, entraînement plus rapide et moins cher, aucune latence d'inférence une fois l'adaptateur fusionné, et moins de surapprentissage. Son plus grand atout : des adaptateurs interchangeables. QLoRA combine la quantification, entraînant LoRA sur une base 4-bit. Comparé au fine-tuning complet, LoRA suffit pour la plupart des travaux.

Faire tourner un énorme modèle 70B sur un seul PC de gaming au lieu d'un rack de GPU de data center est rendu possible par la quantification, qui abaisse la précision numérique des poids d'un modèle pour réduire drastiquement sa taille et sa mémoire. Alors que la distillation transfère le savoir vers un modèle distinct plus petit, la quantification allège le même modèle. Cet article l'explique avec une analogie de compression de photo. La quantification remplace les poids stockés en décimaux FP16/FP32 par des entiers INT8 (8 bits) ou INT4 (4 bits), réduisant les octets par poids (FP32=4, INT8=1, INT4=0,5) ; comme compresser une photo RAW en JPEG, on sacrifie un peu de précision pour un gros gain, et la surprise est le peu qu'on y perd. Côté mémoire, le 4-bit utilise environ un quart du FP16 : un modèle 70B passe de ~140GB à ~35GB, et un 8B en 4-bit fait ~4.5-5GB, tenant dans un GPU de milieu de gamme à 8GB de VRAM pour un usage local (la démocratisation des LLM). Côté précision, INT8 est quasiment sans perte et INT4 se dégrade sous 4% sur les tâches générales, mais la perte est plus marquée pour les maths, le code et le raisonnement difficile (cela se voit par une légère hausse de la perplexité), donc choisissez le nombre de bits selon la tâche. Principales méthodes : GPTQ (pionnier du 4-bit précis), AWQ (protège le ~1% de poids les plus importants, souvent 1-2% plus précis et plus rapide), GGUF (format llama.cpp/Ollama, Q2_K-Q8_0, hybride CPU+GPU, pour le local) et QLoRA (base 4-bit plus LoRA pour le fine-tuning sur GPU grand public). Cela diffère de la distillation et du fine-tuning, et les trois se combinent généralement. Pour démarrer, exécutez un modèle GGUF avec Ollama en une commande, choisissez Q4/Q8 selon la VRAM et évitez l'INT4 pour le code ou les maths exactes. La plupart des grands modèles sont livrés déjà quantifiés, il suffit de les télécharger. Garder l'intelligence, ne perdre que le poids.

Une IA énorme et très performante est intelligente mais lourde et coûteuse ; la distillation de modèles (distillation des connaissances) résout cela en transférant le savoir d'un grand modèle enseignant vers un petit modèle élève, conservant plus de 95 % des performances de l'enseignant pour un dixième de la taille et de la vitesse. Cet article l'explique avec une analogie enseignant-élève. La clé, ce sont les soft labels : l'entraînement ordinaire n'enseigne que « la réponse est chat » (hard label), tandis que la distillation transmet toute la distribution de probabilités de l'enseignant comme « 90 % chat, 8 % chien, 2 % renard », dont le degré d'hésitation porte une information riche ; un paramètre temperature adoucit les probabilités pour révéler des relations subtiles (exemple réel : GPT-4o mini distillé de GPT-4o). Avantages : rapide et bon marché, ~10x plus compact tout en gardant plus de 95 % des performances, fonctionne sur l'edge, idéal pour la spécialisation. Deux approches : white-box (accès complet aux poids et représentations internes, transfert plus profond ; pour vos propres modèles ou OSS) et black-box (seules les sorties/réponses d'API sont visibles ; utiliser l'API d'une autre entreprise comme enseignant peut enfreindre les conditions). Elle diffère de la quantization (compresser la précision des poids du même modèle) et du fine-tuning (poursuivre l'entraînement d'un modèle existant pour une tâche) — la distillation transfère le savoir dans un petit modèle distinct, et les trois sont combinables. La réalité juridique/ToS a été un grand sujet en 2026 : la technique est légitime, mais OpenAI, Anthropic, Mistral et xAI incluent des clauses de distillation anti-concurrentielle interdisant d'utiliser les sorties pour construire des modèles concurrents. Le litige OpenAI contre DeepSeek montre que l'évaluation dépend des conditions d'API applicables, et Claude Fable 5/Mythos 5 restreindraient les réponses sur les travaux signalés. Conseils : utilisez vos propres modèles ou des OSS sous licence comme enseignant, vérifiez les clauses anti-distillation et jugez si l'usage revient à développer un concurrent. Les chiffres sont cités de documents publics, à titre indicatif.

Quand vous voulez personnaliser l'IA pour votre propre entreprise, le fine-tuning est l'une des options — mais s'y lancer à la légère revient cher et conduit facilement à l'échec. Ce guide pour débutants explique le fine-tuning : prendre un modèle de base déjà entraîné, l'entraîner davantage sur des données adaptées à votre usage, et le remodeler en un modèle spécialisé qui grave le « comportement » (style maison, format de sortie, vocabulaire d'un domaine) dans le modèle lui-même en réécrivant ses poids. Le fine-tuning est doué pour changer le comportement mais peu doué pour mémoriser un savoir à jour, d'où la règle « faits et savoir → RAG, personnalité et moule → fine-tuning, les prompts d'abord ». Comme le notent les experts, environ 80 % des « il nous faut du fine-tuning » se règlent par une meilleure recherche (RAG) ou par le prompting : l'ordre compte. L'article couvre ce qu'est le fine-tuning (l'analogie de la formation d'un nouveau collaborateur), ses points forts et ses points faibles, un tableau comparatif fine-tuning vs RAG vs prompting, les principales méthodes (full fine-tuning, LoRA et QLoRA — quantification 4-bit assez légère pour les débutants), ce dont vous avez besoin (500+ exemples de haute qualité comme repère, la construction des données étant le vrai travail ; des coûts de $5,000 à plus de $50,000, le fine-tuning d'OpenAI à environ $25–$100 par million de tokens d'entraînement ; des outils comme OpenAI, Unsloth, Axolotl et Hugging Face), et l'ordre dans lequel commencer. Le fine-tuning est le dernier recours.

Vous supposez probablement qu'un LLM doit forcément tourner dans le cloud, mais en 2026 faire fonctionner l'IA entièrement à l'intérieur de votre propre PC — un « LLM local » — est une option réaliste. Un LLM local consiste à faire tourner un modèle comme ChatGPT ou Claude directement sur votre machine au lieu du cloud. Les trois grands atouts sont la confidentialité (les saisies ne quittent jamais votre appareil), le coût nul (aucuns frais d'API) et l'usage hors ligne (fonctionne sans Internet). Les inconvénients : il est moins intelligent que l'IA cloud haut de gamme, exige un PC raisonnablement capable, demande un peu de configuration et n'a pas de connaissances à jour. Ce guide pour débutants couvre ce qu'est un LLM local (avec l'analogie streaming/téléchargement), ses avantages et inconvénients, les specs nécessaires et la quantification (le format GGUF, avec Q4_K_M comme référence qui conserve la qualité tout en réduisant la mémoire à environ un quart ; environ 0,5 GB de mémoire par milliard de paramètres en 4 bits), comment démarrer (l'interface GUI de LM Studio pour les débutants, la CLI d'Ollama pour les développeurs — 52 millions de téléchargements mensuels au T1 2026), les modèles recommandés de 2026 (Llama 3.2 7B, Google Gemma 4, Alibaba Qwen3.5, ainsi que DeepSeek et Mistral — tous ouverts), et quand utiliser le local plutôt que le cloud (le local pour le travail confidentiel, à fort volume et hors ligne ; le cloud pour les problèmes difficiles). Le premier pas le plus rapide : faire tourner un petit modèle 3B–7B dans LM Studio.

Le 9 juin 2026, Anthropic a publié Claude Fable 5 — libérant, pour la première fois sous une forme utilisable par les utilisateurs et développeurs ordinaires, une capacité au niveau de « Mythos », le modèle de pointe longtemps considéré en interne comme le plus puissant. Anthropic le présente comme le modèle le plus puissant qu'il propose au grand public, avec le slogan « conçu pour le travail long et complexe ». Ce décryptage, écrit pour que les débutants puissent suivre, couvre ce qu'est Fable 5 (une forme publique et sûre de la capacité de classe Mythos, optimisée pour terminer un marathon plutôt qu'une simple question-réponse ; identifiant claude-fable-5), en quoi il diffère de son jumeau Mythos 5 (identique à l'intérieur, seuls les garde-fous diffèrent ; le public utilise Fable), les benchmarks (SWE-Bench Pro 80.3% contre Opus 4.8 69.2 et GPT-5.5 58.6, une première à plus de 90% sur l'analyse de longue durée Hex, en tête sur Cognition FrontierCode et la finance Hebbia, nouvel état de l'art en vision jouant à Pokémon sans aide), sa vraie force dans l'autonomie de longue durée (concentration sur des millions de tokens, exécutions de 12 heures, Stripe achevant une migration Ruby de 50 millions de lignes en une journée contre deux mois et plus à la main, la mémoire fichier boostant une tâche de jeu 3x plus qu'Opus 4.8, GitHub rapportant un codage à long horizon en haute autonomie), les tarifs et la disponibilité (10 $ entrée / 50 $ sortie par 1M de tokens, contexte 1M et sortie 128K, gratuit dans chaque formule du 9 au 22 juin puis crédits, API claude-fable-5 et GitHub Copilot), une comparaison directe avec Opus 4.8 (standard 5 $/25 $ contre 10 $/50 $, +11.1 points sur SWE-Bench Pro, même contexte 1M, Opus 4.8 Fast Mode à 10 $/50 $ ; répartir le travail lourd vers Fable 5 et le quotidien vers Opus 4.8 standard), la nouvelle conception de la sécurité phare (classifieurs cyber, bio-chimie et distillation qui se rabattent sur Opus 4.8 uniquement quand c'est dangereux, se déclenchant dans moins de 5% des sessions de sorte que plus de 95% s'exécutent à pleine performance, avec une conservation de 30 jours du trafic de classe Mythos), le contexte d'une sortie quelques jours après avoir averti que l'IA est trop dangereuse (une troisième voie qui ferme uniquement les domaines dangereux), et quand l'utiliser. Les chiffres sont cités de l'annonce d'Anthropic et de rapports et peuvent changer.

Vous tapez un peu de texte et une vidéo sonore naît en quelques secondes — ce qui relevait encore de la science-fiction il n'y a pas si longtemps est devenu réalité en 2026, et la situation évolue à un rythme effréné. Sora, d'OpenAI, qui dominait les conversations, a fermé son application et son site web en avril 2026 (l'API suivra en septembre) ; à sa place, Google Veo, Kling et Runway ont pris la tête. Ce guide à jour (juin 2026), indépendant de tout outil, couvre ce qu'est la génération de vidéo par IA (créer des images en mouvement à partir de mots ou d'une image, avec synchronisation audio, 1080p–4K et image-to-video désormais standard), le paysage 2026 (la fermeture de Sora — contexte rapporté de pression sur le calcul et les coûts et de baisse des utilisateurs — et les têtes de course actuelles Google Veo 3.1, Kling 3.0 et Runway Gen-4.5, avec une tarification à la seconde devenue la norme), son fonctionnement (des modèles de diffusion étendus à la dimension temporelle ; text-to-video et image-to-video), les 5 étapes communes (choisir un outil, prompt/image, régler durée/format/audio, générer et choisir, assembler au montage), les conseils essentiels de prompt vidéo (sujet + mouvement + caméra + style + durée + audio, avec les verbes et la caméra comme clés, un plan une action, utiliser l'image-to-video, multiplier les tirages), ce qu'elle sait et ne sait pas encore faire (les œuvres longues d'un seul coup et la cohérence totale restent difficiles, et le coût à la seconde s'accumule), ainsi que l'essentiel sur les droits, les filigranes et l'éthique (SynthID et C2PA rendent la provenance IA standard et inamovible, une sortie purement IA est faiblement protégée avec des différences selon les pays, l'usage commercial dépend des conditions, et les deepfakes de personnes réelles sont interdits). Réalisez des plans et assemblez-les au montage plutôt que de viser une œuvre longue d'un seul coup. Comme le domaine bouge vite, vérifiez toujours l'actualité de façon officielle.

« Je ne sais pas dessiner, donc ce n'est pas pour moi » — cet a priori sur la génération d'images par IA est à l'envers. Il suffit de lui donner des consignes avec des mots, et quelques secondes plus tard vous obtenez des visuels de qualité professionnelle. Ce guide transversal couvre ce qu'est la génération d'images par IA (créer des images à partir de rien, par les mots — l'art de communiquer, pas de dessiner ; la version image du prompt engineering), son fonctionnement (les modèles de diffusion sculptent une image dans un bruit aléatoire en se servant de votre prompt comme repère, en dessinant à partir de rien à chaque fois), le déroulé commun en 4 étapes valable dans tout outil (choisir un outil, écrire un prompt, générer et choisir, affiner et finaliser — l'itération est le principe), l'anatomie centrale du prompt en 6 éléments (sujet, scène, style, lumière, composition, technique) plus prompts négatifs et ratio d'aspect — sachant que GPT Image et Imagen préfèrent les phrases simples tandis que la famille Stable Diffusion aime les listes de mots et les négatifs, 7 conseils de maîtrise, les difficultés de l'IA (mains, texte, cohérence, précision) et leurs astuces, et les fondamentaux sur les droits, l'usage commercial et l'éthique (la sortie purement IA est faiblement protégée selon le U.S. Copyright Office et la décision Thaler de 2025, avec des différences par pays ; le commercial dépend des conditions de chaque outil ; deepfakes et imitation de style sont interdits ; la provenance comme les métadonnées C2PA de DALL-E se répand). Le choix de l'outil et les modes d'emploi spécifiques renvoient au comparatif, à Midjourney et à Stable Diffusion. Connaître l'anatomie, lancer le nombre, ajouter les mots petit à petit — chacun peut se rapprocher de l'image qu'il vise.

Vous posez la même question à la même IA, et pourtant une personne la trouve inutile tandis qu'une autre s'émerveille de sa puissance — et la vraie cause de cet écart n'est souvent pas la puissance de l'IA mais la façon dont le prompt est rédigé. Voici un compendium pratique de cette compétence, l'ingénierie de prompts, organisé pour qu'un débutant puisse l'utiliser tout de suite. Il couvre ce qu'est l'ingénierie de prompts (la compétence de concevoir et améliorer votre instruction à l'IA — pas du code mais l'art de la formulation), les trois principes qui changent vos résultats (soyez précis, donnez du contexte, précisez la sortie, plus « fais X » plutôt que « ne fais pas Y »), les 6 parties essentielles d'un bon prompt (rôle, contexte, instruction, exemples, format, contraintes — les éléments que les grands cadres comme COSTAR et RCOF listent en commun ; vous n'avez pas besoin des six à chaque fois), 7 techniques pratiques (donner un rôle, montrer un modèle/few-shot, raisonner étape par étape, fixer le format de sortie, structurer avec des délimiteurs, ne pas trop demander d'un coup, et itérer — la plus forte étant l'itération), un exemple avant/après, des techniques avancées (chaîne de pensée, auto-cohérence, chaînage de prompts, ReAct — bien que les modèles de raisonnement comme la série o et le mode de réflexion étendue de Claude fassent la CoT en interne, donc énoncer l'objectif fonctionne mieux), 7 erreurs courantes, et des conseils par modèle plus la sécurité de saisie. Avec des liens internes vers les conseils de prompt pour le développement d'applications et les précautions de saisie. Transformez le flou en précis, le déversement en dialogue — n'importe qui peut progresser dès aujourd'hui.

En juin 2025, Sam Altman, d'OpenAI, a écrit sur son blog : « Nous avons franchi l'horizon des événements ; le décollage a commencé » (« The Gentle Singularity »). Pourtant, d'autres chercheurs balaient catégoriquement l'idée comme quelque chose qui n'arrivera jamais. Ce guide pour débutants explique que la singularité (singularité technologique) est « le point de bascule à partir duquel l'IA dépasse l'intelligence humaine et commence à s'améliorer elle-même, de sorte que le progrès devient explosivement rapide et ne peut plus être prévu ni contrôlé » (une hypothèse, pas réalisée en 2026). Il couvre son cœur — l'explosion d'intelligence = auto-amélioration récursive, où une IA intelligente construit une IA encore plus intelligente et où celui qui améliore passe de l'humain à l'IA ; en quoi elle diffère de l'AGI et de l'ASI (AGI/ASI sont des « états » d'intelligence, la singularité est l'« événement » de devenir imprévisible ; AGI → auto-amélioration → le bond soudain vers l'ASI = la singularité) ; l'histoire du terme (l'« explosion d'intelligence » de I. J. Good en 1965 → Vinge popularise le nom en 1993 → Kurzweil la généralise avec « 2045 ») ; la large dispersion des prédictions (Kurzweil 2045, Altman « déjà commencée », Vinge, et des sceptiques comme Gary Marcus et le « frein de la complexité » du regretté Paul Allen) ; décollage dur soudain vs décollage doux graduel ; les espoirs (percées contre la maladie et en science) et les risques (perte de contrôle, problème de l'alignement) ; le scepticisme profond (frein de la complexité, limites physiques, une tout autre chose) ; et les idées reçues comme « les robots qui dominent », « immédiate une fois l'AGI arrivée » et « fixée à 2045 ». Ni la craindre à l'excès ni en rêver de trop — tirez le meilleur parti de l'IA d'aujourd'hui tout en observant calmement ce qui pourrait venir ensuite.

En 2023, un avocat a été sanctionné après qu'un mémoire rédigé avec ChatGPT a cité des affaires qui étaient toutes des inventions de l'IA — et cet épisode a répandu dans le monde entier la méfiance envers le droit et l'IA. Pourtant, en quelques années, l'adoption a explosé, avec plus de 90 % des avocats réputés utiliser une IA au quotidien. En tant que prochain volet de notre série sur l'impact de l'IA par secteur après le #068 (négoce), le #094 (marketing) et le #097 (conseil), cet article passe en revue les professions. L'état des lieux en chiffres (62 % des avocats déclarent des gains de temps hebdomadaires de 6 à 20 % ; Harvey et CoCounsel de Thomson Reuters ont traité plus de 10 millions de documents juridiques au T1 2026 ; l'usage de l'IA générative dans les cabinets de fiscalité/comptabilité/audit est passé de 8 % en 2024 à 21 % en 2025 ; une étude de Stanford montre une baisse de 13 % des emplois en début de carrière dans des domaines comme la comptabilité par rapport à 2022, +5 % pour les comptables et -5 % pour les aides-comptables), le travail que l'IA transforme par profession (avocats = recherche de jurisprudence, revue de contrats, extraction des obligations ; experts-comptables = tenue de comptes, vérification de pièces, échantillonnage, identification des risques ; conseillers fiscaux = saisie de données, projets de déclarations, recherche de textes — l'IA fait le travail de fond, les humains tranchent), le plus grand piège de l'hallucination (inventer des affaires/textes inexistants — menant à des sanctions et à la perte de confiance ; Harvey revendique 99,7 % de précision de citation vérifiée et signale le reste, CoCounsel ancre ses citations dans une base de jurisprudence et ne cite donc que des affaires réelles), la valeur essentielle inaltérable (jugement final, scepticisme professionnel, éthique, arbitrages fiscaux gris et — point décisif — signature et responsabilité légale impossibles à déléguer à l'IA), la crise des juniors (automatisation de la routine d'apprentissage) et les nouveaux métiers (responsables de la conformité IA, ingénieurs de prompt fiscal), et des conseils par rôle pour praticiens, aspirants et clients (vérifier citations et chiffres par rapport aux sources primaires ; confirmer la gestion de la confidentialité). La réglementation et la responsabilité diffèrent selon les pays ; au Japon, les fonctions d'IA des logiciels de comptabilité sont aussi répandues. La question que pose l'IA : ce que vous vendez, est-ce le travail, ou le jugement et la responsabilité ?

Sous-titrer à la main une vidéo d'une heure dévorait autrefois une journée entière — écouter, mettre en pause, taper, caler le timecode. En 2026, cet enfer se termine en « déposant la vidéo et en attendant quelques minutes ». Centré sur le sous-titrage et la transcription de contenus vidéo et audio (les comptes rendus de réunion sont traités en #086, l'OCR d'images en #091), ce guide couvre les quatre étapes que l'IA automatise (extraction de l'audio → transcription avec diarisation → ajout des timecodes en SRT/VTT → traduction et mise en forme), la différence entre sous-titres (SRT/VTT) et transcriptions et quand utiliser chacun, un comparatif d'outils (Whisper gratuit et confidentiel, Descript pour tout monter, Sonix et Happy Scribe haute précision et multilingues, Notta adapté aux particuliers, CapCut mobile, sous-titres automatiques YouTube les plus simples — beaucoup utilisant une reconnaissance de la famille Whisper en interne), le flux en 4 étapes le plus reproductible (préparer → transcrire → relire → exporter/attacher en SRT/VTT), des recommandations par cas d'usage (YouTube, podcasts, cours, interviews, confidentiel, multilingue), six astuces de précision avec la qualité audio comptant pour 80 % du résultat (qualité, réglage de la langue, liste de noms propres, rechercher-remplacer, diarisation, longueur des lignes), le flux multilingue royal (perfectionner la langue source → traduire avec l'IA → relecture par un natif) et les pièges — excès de confiance dans la précision, faiblesse face au bruit et au jargon, droit d'auteur, téléversements confidentiels et dérive des timecodes. Sur un audio propre, la précision est de 90 à 96 % (valeurs publiées, variables selon les conditions) et le travail baisse de 80 à 90 %. Le travail à l'IA ; la finition — vérifier les noms propres et regarder la vidéo en entier — à vous.