English
« Si nous ne faisons que peaufiner les modèles sur des données traduites, nous allons introduire les biais inhérents aux langues dans lesquelles ces jeux de données étaient initialement disponibles. »
C’est le problème sur lequel Liam Duignan travaille. Ingénieur de recherche au CEA, Liam nous a rejoints à POSAÏS 2026 pour présenter son travail sur les jeux de données mathématiques natifs français, développés dans le cadre de OpenLLM France.
L’idée est simple : si nous voulons créer des modèles d’IA destinés à la France, traduire des jeux de données provenant d’une autre langue ne suffit pas.
« Pour un chatbot éducatif qui doit être utilisé en France, nous devons nous appuyer sur de véritables données humaines rédigées par de vrais professeurs français et utilisées par de vrais étudiants en France. » Cela implique de construire des jeux de données à partir de la langue, du contexte éducatif et des pratiques qu’ils sont censés servir.
En collaboration avec Asma Graiess, Matteo Van Ypersele, Jérôme Deshayes et Olivier Ferret, Liam travaille précisément là‑dessus : des données françaises natives pour le fine‑tuning et l’évaluation de grands modèles de langage en mathématiques.
Parce que développer l’IA en Europe, c’est aussi créer les bonnes données pour elle. Et, comme le souligne Liam, ce travail peut aider l’Europe et le reste du monde à avancer dans la bonne direction !
