Comme elle l'avait annoncé, l'Open Source Initiative (OSI) a publié la version 1.0 de sa définition de l'IA open-source. Ce texte, rédigé en collaboration avec différents experts venant de la recherche et de l'industrie, a pour ambition d'adapter la définition de l'open source et les quatre libertés essentielles au monde des modèles d'intelligence artificielle.

Dans son billet de blog, l'OSI explique qu'elle est « le résultat de plusieurs années de recherche et de collaboration, d'une tournée internationale d'ateliers et d'un processus de co-conception d'un an mené par l'Open Source Initiative (OSI), mondialement reconnue par les particuliers, les entreprises et les institutions publiques comme l'autorité qui définit l'Open Source ».

La définition insiste encore plus sur la description des données d'entrainement

Comparée à la version Release Candidate dont nous avions déjà parlé, la base du texte reste évidemment la même. Mais quelques modifications ont quand même été ajoutées.

L'OSI exige maintenant une description « complète » des données utilisées pour entrainer le modèle. Dans sa version RC, l'organisme ne demandait qu'une version « détaillée ». Cette précision renforce l'obligation d'information sur les données d'entrainement.

La définition a été, pendant son processus, critiquée pour accepter que cette description remplace le fait de publier de façon effective les données d'entrainement. L'utilisation de ce terme dans la version finale de la définition vient appuyer l'idée qu'à défaut de les publier, les créateurs de modèles doivent vraiment détailler les informations concernant leurs données d'entrainement.

Cette version insiste aussi, contrairement aux précédentes, sur le processus de filtrage utilisé sur les données collectées pour entrainer les modèles. La méthodologie de ce processus doit être détaillée et le code qui la met en place doit être publié.

Pas de contrainte sur la manière de publier les paramètres

Un dernier paragraphe a été ajouté à la définition pour préciser qu'elle n'exige pas, pour l'instant, de licence spécifique pour les paramètres du modèle : « la définition de l'IA Open Source n'exige pas de mécanisme juridique spécifique pour garantir que les paramètres du modèle sont librement accessibles à tous. Ils peuvent être libres par nature ou une licence ou un autre instrument juridique peut être nécessaire pour garantir leur liberté. Nous pensons que cela deviendra plus clair avec le temps, une fois que le système juridique aura eu l'occasion de se pencher sur les systèmes d'IA open-source ».

Meta fâchée

Comme nous l'avions déjà noté, cette définition crée des tensions entre l'OSI et Meta, qui revendique haut et fort le caractère « open-source » de ses modèles Llama. L'entreprise de Mark Zuckerberg ne détaille notamment pas les données sur lesquelles sont entrainés ses modèles. Comme expliqué plus haut, si l'OSI a rapidement fait des concessions sur la possibilité de ne pas publier les données d'entrainement, elle a encore resserré ses exigences d'information les concernant.

À The Verge, Meta affirme être « d'accord avec [son] partenaire OSI sur de nombreux points », mais pas sur tous, ce qui la pousse à contester le consensus : « il n'existe pas de définition unique de l'IA open source, et la définir est un défi, car les définitions précédentes de l'open source n'englobent pas les complexités des modèles d'IA d'aujourd'hui qui progressent rapidement ».

Malgré ce désaccord avec Meta, la définition a acquis le ralliement d'autres acteurs du secteur. « La nouvelle définition exige que les modèles open source fournissent suffisamment d'informations sur leurs données d'entraînement pour qu'une "personne compétente puisse recréer un système substantiellement équivalent en utilisant des données identiques ou similaires", ce qui va plus loin que ce que font aujourd'hui de nombreux modèles propriétaires ou qui sont open source d'apparence », selon Ayah Bdeir, responsable IA chez Mozilla.

Pour Clément Delangue d'Hugging Face, cette définition est « une aide considérable dans l'élaboration de la conversation sur l'ouverture de l'IA, en particulier en ce qui concerne le rôle crucial des données d'entraînement ».