On the missing data layer and a potential solution

Les ingrédients manquants pour un cerveau local

Imaginez que vous essayiez de cuisiner le gâteau parfait, mais que chaque recette que vous trouvez a été écrite pour une cuisine différente, utilisant des ingrédients que vous n'avez jamais vus et des fours qui chauffent à des températures différentes. C'est la situation actuelle de l'Intelligence Artificielle (IA) en Amérique latine. Pour comprendre pourquoi cela importe, nous devons examiner deux idées simples. Premièrement, les modèles d'IA sont comme des étudiants super intelligents ; ils apprennent en lisant de vastes quantités d'informations (données) pour comprendre comment résoudre des problèmes. Deuxièmement, les benchmarks (tests de référence) sont comme des examens standardisés ; ce sont les épreuves que nous donnons à ces étudiants pour voir s'ils maîtrisent réellement leur sujet ou s'ils ne font que deviner.

Actuellement, la plupart des « étudiants » en IA en Amérique latine sont enseignés par des professeurs d'autres pays utilisant des manuels écrits dans d'autres langues. Bien que ces étudiants soient excellents pour des tâches générales comme les mathématiques ou le codage, ils trébuchent souvent lorsqu'on leur demande d'effectuer des tâches spécifiques à leur propre quartier, comme comprendre l'argot local, reconnaître les plantes locales ou naviguer dans les lois locales. La grande question n'est pas seulement de savoir s'ils deviennent plus intelligents ; il s'agit de savoir si une région peut construire son propre cerveau qui comprend véritablement ses propres habitants, ou si elle doit dépendre éternellement d'un cerveau construit ailleurs qui pourrait ne pas se soucier de ses besoins spécifiques.

---

Les deux étages manquants de la maison de l'IA

Selon un nouvel article de l'équipe SURUS, l'Amérique latine manque de deux étages critiques dans sa maison de l'IA : une couche de données (dataset layer) et une couche de benchmarks (benchmarks layer). Considérez la couche de données comme la bibliothèque de livres que l'IA lit pour apprendre, et la couche de benchmarks comme le centre de test où nous vérifions si l'IA est réellement intelligente. Sans ces éléments, la région ne peut pas construire sa propre IA, et elle ne peut même pas vérifier correctement si l'IA étrangère qu'elle utilise fait du bon travail.

Les auteurs soutiennent que cette absence crée deux types de problèmes différents. Pour les entreprises, le problème est comparable à celui de tenter d'identifier des nuisibles dans une ferme brésilienne en utilisant un guide conçu pour des champs européens. La tâche (trouver des insectes) est la même, mais les insectes sont différents. Si vous utilisez les mauvaises données, votre IA pourrait manquer les nuisibles qui détruisent réellement la récolte. Pour les gouvernements et les institutions publiques, le problème est plus profond : c'est une question d'identité. Si une IA est entraînée sur des histoires et des valeurs étrangères, elle pourrait décrire les citoyens locaux d'une manière qui ne leur correspond pas, ou prendre des décisions qui ne reflètent pas la façon dont ces personnes vivent réellement. C'est comme avoir un maire qui parle une langue différente et ne comprend pas la culture locale — il pourrait être poli, mais il ne vous gouvernera pas bien.

La grande chasse aux données

L'article souligne que les données de l'Amérique latine ne sont pas disparues ; elles sont juste égarées. Elles sont dispersées sur Internet comme des pièces de puzzle cachées dans différentes boîtes — certaines dans des articles de recherche, d'autres sur des plateformes comme Hugging Face, et d'autres encore coincées dans les archives privées d'entreprises. Il n'existe aucune carte unique pour les trouver. Même si vous pouviez toutes les trouver, il n'y en a tout simplement pas assez comparé à ce que possèdent les États-Unis ou l'Europe.

Cela crée un cercle vicieux : comme il n'y a pas de lieu facile pour partager des données où l'on reçoit du crédit, les gens ne partagent pas. Parce que les gens ne partagent pas, il n'y a pas de grande collection pour motiver les autres à se joindre au mouvement. Les auteurs proposent une solution appelée le DataHub, une bibliothèque centrale conçue pour briser cette boucle. Ce n'est pas seulement une liste ; c'est un système qui récompense les gens pour leur partage. Si vous contribuez avec un ensemble de données, vous obtenez de la visibilité et de la reconnaissance, ce qui rend l'ouverture de vos données intéressante pour vous.

Une nouvelle façon d'organiser la bibliothèque

L'une des parties les plus créatives de l'article est la façon dont ils suggèrent d'organiser cette nouvelle bibliothèque. Au lieu de trier les données par « ce à quoi elles ressemblent » (comme des images ou du texte) ou par « le modèle auquel elles sont destinées », ils suggèrent de les trier par ce que l'IA doit faire.

Imaginez une bibliothèque où les livres ne sont pas classés par couleur ou par taille, mais par le travail qu'ils vous aident à accomplir. Les auteurs proposent une échelle à trois étapes :

1. Tâche : Quel est le travail ? (ex. : « Transcrire un audio »).
2. Domaine : Quel est le domaine spécifique ? (ex. : « Médical » vs « Juridique »).
3. Langue et Région : Qui parle ? (ex. : « Espagnol rioplatense » vs « Espagnol colombien »).

Cela est important car un médecin à Buenos Aires a besoin d'une IA de transcription médicale différente d'un avocat à Bogotá. Une IA générale peut obtenir les mots corrects, mais elle pourrait manquer les termes médicaux spécifiques ou l'accent local. En organisant les données de cette manière, le DataHub garantit que l'IA que vous construisez est parfaitement ajustée à vos besoins spécifiques, ce qui améliore ses performances et lui donne un aspect plus « local ».

Portes ouvertes et incitations

L'article prend une position ferme sur la manière dont cela doit être construit : Ouvert par conception (Open by design). Les auteurs pensent que pour une région qui tente de rattraper son retard, la collaboration est la seule façon de gagner. Cacher les données derrière des portes closes ne servira à rien ; les partager ouvertement permet à tout le monde d'apprendre plus vite. Cependant, ils savent aussi que les gens ne partageront pas simplement par bonté d'âme. Le système doit être « axé sur les incitations », ce qui signifie que les contributeurs doivent voir un bénéfice, comme la reconnaissance de leur travail ou le nom de leur institution attaché aux données.

La route à suivre

Les auteurs sont clairs sur le fait que ce n'est que le début — un « coup d'envoi » plutôt qu'un produit fini. Ils admettent qu'il reste de grands obstacles. Les différents pays d'Amérique latine ont des lois différentes concernant la vie privée et les données, et il n'existe pas encore de règles convenues sur la façon d'étiqueter ou de licencier ces données. Ils ne prétendent pas avoir résolu ces problèmes ; au contraire, ils invitent tout le monde — entreprises, universités et gouvernements — à aider à les résoudre.

L'article se termine par un appel à l'action : la couche de données pour l'IA en Amérique latine doit être construite par la région, pour la région, sinon elle ne sera pas construite du tout. Le DataHub est la première étape, une invitation vivante pour quiconque possède des données à venir, partager et aider à construire un avenir où l'Amérique latine aura sa propre voix dans le monde de l'Intelligence Artificielle.