Sujet
Tous les articles d’Actu.ai consacrés à Données d’entraînement : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 23 articles
L’Union européenne encadre la fouille automatisée de textes et de données par une exception au droit d’auteur. Elle peut soutenir l’entraînement des systèmes d’IA, à condition de respecter l’accès licite aux œuvres et le droit d’opposition des titulaires. Son application concrète soulève encore d’importantes questions techniques et économiques.
Pour rendre les agents d’IA capables d’agir dans des logiciels, les laboratoires misent sur des simulations interactives. Des jeunes pousses veulent leur fournir ces environnements d’apprentissage par renforcement, plus riches que les jeux de données classiques mais difficiles et coûteux à bâtir.
Alibaba prévoit de lancer ses Quark AI Glasses en Chine d’ici à la fin de 2025. Derrière les appels, la traduction instantanée ou l’aide aux achats, ces lunettes reposent sur des modèles d’IA, mais aussi sur des données annotées, des experts et des contrôles humains indispensables.
Peut-on empêcher un modèle d’IA accessible au public d’apprendre des savoirs dangereux avant même sa diffusion ? Des chercheurs d’Oxford, d’EleutherAI et de l’UK AI Security Institute ont testé une réponse : retirer ces contenus des données d’entraînement. Leur méthode préserverait les performances générales tout en compliquant les modifications malveillantes.
Scale AI, spécialiste de la préparation de données pour l’intelligence artificielle, supprime environ 200 postes le 16 juillet 2025. Cette restructuration intervient un mois après le recrutement de son cofondateur et PDG, Alexandr Wang, par Meta, dans le cadre d’un investissement de 14,3 milliards de dollars.
Reddit voit se multiplier des publications générées par IA, parfois conçues pour faire remonter des marques dans les réponses de chatbots. La plateforme, qui a monétisé l’accès à ses données auprès d’acteurs de l’IA, se retrouve au cœur d’un paradoxe : protéger l’authenticité qui fait sa valeur tout en exploitant ses contenus.
Meta a pris une participation de 49 % dans Scale AI pour 14,3 milliards de dollars. Cette opération donne au groupe américain un accès privilégié à un acteur clé des données d’entraînement des modèles, tout en faisant venir son PDG, Alexandr Wang, dans une nouvelle équipe de recherche de Meta.
Un grand modèle de langage ne traite pas toujours chaque partie d’un long document avec la même fiabilité. Des travaux menés au MIT éclairent le biais de position, qui favorise souvent le début et la fin d’un texte au détriment de son milieu. Un enjeu concret pour les assistants juridiques, médicaux ou de programmation.
Meta a investi 14,8 milliards de dollars dans Scale AI, fournisseur de données d’entraînement pour l’intelligence artificielle. Avec 49 % du capital mais sans droits de vote, le groupe cherche une position stratégique dans une chaîne de valeur convoitée, tout en ravivant les interrogations sur la concurrence et l’examen antitrust aux États-Unis.
Meta va investir 14,3 milliards de dollars dans Scale AI, spécialiste des données d’entraînement pour l’intelligence artificielle. L’opération valorise la start-up à environ 29 milliards de dollars et s’accompagne du recrutement de son fondateur, Alexandr Wang, par le groupe de Mark Zuckerberg.
Meta prend une participation de 49 % dans Scale AI pour 14,3 milliards de dollars, selon plusieurs médias américains. Accel, fonds présent au capital depuis les débuts de la start-up, pourrait récupérer environ 2,5 milliards de dollars. Une opération qui illustre la valeur stratégique des données pour entraîner les modèles d’IA.
Reddit a saisi un tribunal de San Francisco contre Anthropic, l’entreprise à l’origine de Claude. La plateforme accuse la start-up d’avoir utilisé des conversations de ses utilisateurs pour entraîner ses modèles sans contrat valable. L’affaire pose une question centrale pour l’IA générative : des contenus publics peuvent-ils être exploités librement ?
Reddit a engagé une action contre Anthropic, qu’il accuse d’avoir collecté et exploité sans autorisation les conversations de sa plateforme pour entraîner Claude. Au-delà d’un conflit commercial, l’affaire pose une question décisive : un contenu visible en ligne peut-il être librement utilisé pour fabriquer une IA ?
Un modèle peut apprendre à repérer un collier plutôt qu’un chien, puis se tromper dès que ce raccourci disparaît. Des chercheurs de l’Université d’État de Caroline du Nord proposent une technique de data pruning qui retire certains exemples complexes afin de limiter ces corrélations fallacieuses, sans devoir les identifier au préalable.
Wikimedia Enterprise propose sur Kaggle un extrait structuré des contenus de Wikipédia en français et en anglais. Pensée pour les chercheurs et développeurs d’IA, cette ressource actualisée chaque mois doit aussi réduire la pression des robots de scraping sur l’encyclopédie collaborative.
Des chercheurs du MIT ont développé PAC Privacy, un cadre destiné à mieux protéger les données sensibles mobilisées pour entraîner des systèmes d’IA. La méthode estime plus finement le bruit à ajouter aux résultats, afin de limiter les risques d’exposition tout en préservant l’utilité des modèles.
Le 28 mars 2025, xAI a annoncé le rachat de X dans une transaction en actions. L’opération unit le développeur de Grok à un réseau social déjà central dans sa stratégie : un rapprochement qui mêle données, puissance de calcul, distribution de produits et valorisation financière.
Des chercheurs avancent que des modèles d’OpenAI pourraient avoir été entraînés sur des ouvrages techniques d’O’Reilly accessibles derrière un paywall. Cette hypothèse relance le débat sur les données d’entraînement, le droit d’auteur et la transparence des grands modèles de langage. Elle ne constitue pas, à elle seule, la preuve d’une violation.
Un tribunal fédéral américain a donné raison à Thomson Reuters face à Ross Intelligence, accusée d’avoir utilisé des résumés éditoriaux de Westlaw pour entraîner un outil juridique d’IA. Cette décision du 11 février 2025 rejette, dans ce cas précis, l’argument du fair use et pourrait compter dans les nombreux litiges sur les données d’entraînement.
Les modèles de langage ne sont plus seulement des interfaces de conversation : intégrés à des agents capables d’utiliser des outils et des données, ils élargissent la surface d’attaque des organisations. Injections de prompts, altération des jeux de données, dépendances tierces et vol de modèles imposent une sécurité pensée à chaque étape.
Le prochain grand modèle d’OpenAI, désigné dans la presse comme GPT-5 ou Orion, accuserait un retard face à un obstacle central : trouver assez de données fiables pour l’entraîner. Alors que son coût pourrait atteindre 500 millions de dollars, ce dossier révèle les limites du modèle de croissance des grands systèmes d’IA.
Une étude du MIT Center for Constructive Communication interroge la neutralité des systèmes chargés d’évaluer la véracité des réponses d’IA. Même entraînés à partir de données dites objectives, des modèles de récompense ont favorisé certaines affirmations politiques, avec un effet qui s’accentue selon leur taille.
Le modèle interne Orion devait prolonger la dynamique ouverte par GPT-4. Mais ses résultats intermédiaires, selon des informations rapportées en novembre 2024, alimentent le débat sur des gains de performance moins spectaculaires. Pour OpenAI, l’enjeu dépasse un modèle : il concerne les données, les coûts et la prochaine méthode de progrès de l’IA.
