EdgeWisePersona: A Dataset for On-Device User Profiling from Natural Language Interactions

Imaginez une maison qui vous connaît non pas seulement par les commandes que vous lui donnez, mais par le rythme de votre vie. Elle comprend que vous préférez les lumières tamisées et l'air frais lorsque le soleil se couche par une soirée pluvieuse, ou que vous augmentez le volume de la télévision uniquement quand vous êtes seul. Pour qu'un type d'intelligence de ce genre fonctionne, un appareil doit construire un portrait détaillé de son propriétaire, en apprenant des années de conversations et d'habitudes. Le défi réside dans l'endroit où cet apprentissage a lieu. Pendant des années, les appareils intelligents se sont appuyés sur de massifs serveurs informatiques distants dans le cloud pour traiter ces schémas. Cette approche fonctionne bien, mais elle envoie des données personnelles sensibles à travers Internet, créant des risques pour la vie privée et des délais. La nouvelle frontière de l'intelligence artificielle vise à déplacer cette puissance de réflexion directement sur l'appareil lui-même — le téléphone, la tablette ou l'enceinte dans votre salon. Ce changement promet des réponses instantanées et une confidentialité totale, mais il se heurte à un obstacle de taille : les petites puces à l'intérieur de ces appareils sont bien moins puissantes que les serveurs géants qu'elles remplacent. La question à laquelle les chercheurs sont désormais confrontés est de savoir si un petit ordinateur efficace peut véritablement apprendre les habitudes complexes d'un être humain sans avoir besoin d'appeler un serveur géant pour obtenir de l'aide.

Une équipe de chercheurs de TCL Research Europe à Varsovie a abordé cette question en créant un nouveau terrain d'essai appelé EdgeWisePersona. Ils ont construit une vaste collection de conversations simulées entre des personnes et leurs systèmes de maison intelligente, conçue spécifiquement pour voir si de petits ordinateurs sur l'appareil peuvent comprendre qui est l'utilisateur simplement en écoutant ce qu'il dit. Les chercheurs ne se sont pas appuyés sur des données du monde réel, qui peuvent être désordonnées et incohérentes. Au lieu de cela, ils ont utilisé une intelligence artificielle puissante pour générer dix mille conversations distinctes impliquant deux cents utilisateurs fictifs différents. Chaque utilisateur s'est vu attribuer un « profil » secret et structuré qui définissait ses habitudes. Ces profils n'étaient pas de simples préférences comme « j'aime les lumières bleues ». Ils étaient des ensembles complexes de règles, ou de routines, qui liaient des situations spécifiques à des actions spécifiques. Par exemple, un utilisateur pourrait avoir une routine qui stipule : « S'il est le soir, qu'il pleut et que la température est élevée, alors règle les lumières du salon sur une couleur chaude et règle la climatisation sur une vitesse basse spécifique. » Les chercheurs ont ensuite injecté ces profils dans l'IA pour générer des dialogues naturels et fluides où les utilisateurs demanderaient à leurs appareils de modifier les paramètres, souvent sans énoncer explicitement la règle sous-jacente.

La tâche centrale de l'étude consistait à voir si un ordinateur pouvait examiner ces conversations et rétro-concevoir les règles cachées. Les chercheurs ont demandé à divers modèles d'intelligence artificielle de lire l'historique du chat et de rédiger les routines de l'utilisateur. Ils ont testé cette capacité sur deux types de modèles : les systèmes géants basés sur le cloud qui alimentent actuellement les IA les plus avancées, et les modèles plus petits et compacts conçus pour fonctionner sur des téléphones portables et des tableaux. Les résultats ont été clairs et révélateurs. Les grands modèles basés sur le cloud étaient remarquablement doués pour la tâche. Ils pouvaient lire les conversations et reconstruire avec précision les règles complexes, devinant l'heure de la journée, les conditions météorologiques et les réglages spécifiques des appareils avec une grande précision. Ils comprenaient les connexions subtiles entre une soirée pluvieuse et un désir d'atmosphère chaleureuse.

Les modèles plus petits, cependant, ont eu beaucoup de mal. Bien qu'ils puissent parfois deviner l'idée générale de ce qu'un utilisateur voulait, ils échouaient à capturer les détails précis qui rendent une maison intelligente véritablement intelligente. Lorsqu'on leur demandait de prédire le réglage exact de la température ou le niveau de volume spécifique qu'un utilisateur préférait, les petits modèles manquaient souvent la cible par de larges marges. Ils étaient meilleurs pour deviner la catégorie générale d'une requête, comme savoir qu'un utilisateur voulait que les lumières soient allumées, mais ils se trompaient fréquemment sur le niveau de luminosité spécifique. Dans de nombreux cas, les petits modèles ne pouvaient pas distinguer un utilisateur qui voulait la climatisation sur « frais » plutôt que sur « auto », ou ils devinaient le mauvais jour de la semaine pour une routine. L'écart de performance était frappant : les grands modèles pouvaient reconstruire l'ensemble du schéma comportemental d'un utilisateur avec une grande précision, tandis que les petits modèles produisaient souvent des suppositions qui n'étaient que partiellement correctes ou complètement erronées.

Cet écart de performance souligne un défi majeur pour l'avenir de la technologie axée sur la confidentialité. Les chercheurs ont constaté que, bien que les petits modèles aient une certaine capacité à apprendre de la conversation, ils ne sont pas encore prêts à remplacer les grands systèmes pour des tâches complexes comme la compréhension des habitudes humaines. L'étude suggère que pour qu'un appareil connaisse réellement la routine d'un utilisateur — savoir exactement comment ajuster les lumières, la température et le son en fonction d'une combinaison de météo, d'heure et d'humeur — il a actuellement besoin de la puissance de traitement d'un grand modèle. Les petits modèles sont comme des étudiants qui peuvent mémoriser quelques faits mais ne peuvent pas encore relier les points pour comprendre une histoire complexe. Les chercheurs ont noté que cela n'est pas un échec du concept, mais une limitation de la technologie actuelle. Les petits modèles sont capables de fonctionner sur un téléphone, mais ils manquent de profondeur pour déduire le réseau complexe de causes et d'effets qui définit un mode de vie humain.

L'étude a également examiné les types spécifiques d'informations que les modèles devaient deviner. Ils ont découvert que prédire les « déclencheurs » d'une routine — tels que l'heure de la journée ou la météo — était plus facile pour les petits modèles que de prédire les « actions », qui sont les changements spécifiques apportés aux appareils. Il était plus facile pour un petit modèle de deviner qu'un utilisateur voulait que les lumières soient allumées le soir que de deviner que l'utilisateur voulait que les lumières soient réglées à exactement 40 pour cent de luminosité. Cela suggère que, bien que les petits appareils puissent éventuellement gérer des commandes simples, le contrôle nuancé requis pour une maison véritablement personnalisée reste hors de portée pour le moment. Les chercheurs ont souligné que leur travail était une simulation, utilisant des données générées pour tester les limites de ces modèles. Ils n'ont pas testé cela sur de vraies personnes dans de vraies maisons, donc les résultats reflètent la manière dont les modèles gèrent des données structurées, et non nécessairement la façon dont ils se comporteraient dans la réalité chaotique d'une vie vécue.

Malgré les limites, l'ensemble de données EdgeWisePersona représente une étape cruciale. Il fournit un moyen clair et structuré de mesurer les progrès dans ce domaine. En définissant précisément ce qu'est une « routine » et comment elle doit être reconstruite, les chercheurs ont donné à la communauté scientifique une règle standard pour mesurer les améliorations futures. Le travail montre que le rêve d'une intelligence sur l'appareil, privée, qui apprend vos habitudes, est possible en théorie, mais que la technologie n'est pas encore arrivée. Les petits modèles doivent devenir bien meilleurs dans la compréhension des détails subtils du comportement humain avant de pouvoir être dignes de confiance pour gérer une maison sans connexion au cloud. D'ici là, la façon la plus précise de comprendre la vie d'un utilisateur reste avec les grands systèmes puissants dans le cloud. La voie à suivre consiste à combler l'écart entre le petit et le grand, en veissant à ce que la confidentialité et la rapidité de l'informatique sur l'appareil ne se fassent pas au détriment de l'intelligence requise pour rendre une maison véritablement personnelle.