Formation : L'open source

Module 1 — Modèles ouverts vs fermés

• Distinguer un modèle fermé (accès par API uniquement) d'un modèle ouvert dont les poids sont téléchargeables.
• Préciser la notion d'open weight : poids diffusés, sans forcément les données ni le code d'entraînement.
• Constater que l'écart de performance entre modèles ouverts et fermés s'est fortement réduit récemment.
• Comprendre les enjeux de souveraineté : garder la donnée dans son infrastructure avec un modèle local.
• Arbitrer entre simplicité de l'API fermée et contrôle offert par un modèle auto-hébergé.

Module 2 — Licences et cadre juridique

• Différencier une licence permissive (par ex. Apache 2.0, MIT) d'une licence à restrictions d'usage.
• Vérifier les conditions d'utilisation commerciale avant de déployer un modèle en production.
• Noter que certains éditeurs, comme Mistral, publient des modèles performants sous Apache 2.0.
• Distinguer la licence des poids de celle du code d'inférence et des jeux de données.
• Prendre en compte les obligations de conformité (RGPD, traçabilité) selon le contexte d'usage.

Module 3 — Auto-hébergement : principes

• Comprendre l'intérêt de l'auto-hébergement : confidentialité, contrôle de version, coût maîtrisé à fort volume.
• Dimensionner le matériel : rôle de la RAM, du GPU et de la VRAM dans l'exécution locale.
• Comprendre la quantification (par ex. formats GGUF) qui réduit la taille du modèle pour tourner sur du matériel modeste.
• Distinguer l'usage poste de travail individuel de l'usage serveur partagé.
• Situer des moteurs serveur comme vLLM pour le déploiement à plus grande échelle.

Module 4 — Exécuter un modèle en local

• Installer et utiliser Ollama (open source, licence MIT) pour lancer un modèle en une seule commande.
• Comprendre qu'Ollama tourne en arrière-plan et expose une API HTTP locale.
• Utiliser LM Studio, application de bureau, pour télécharger des modèles et discuter via une interface graphique.
• Exploiter l'API compatible OpenAI exposée par ces outils pour brancher ses applications.
• Comparer Ollama (ligne de commande, service) et LM Studio (interface, métriques) selon le besoin.

Module 5 — Choisir et évaluer un modèle ouvert

• Sélectionner la taille de modèle adaptée au matériel et à la tâche visée.
• Évaluer un modèle sur ses cas d'usage réels plutôt que sur les seuls classements génériques.
• Considérer les modèles spécialisés (code, raisonnement, agents) selon l'objectif.
• Mesurer les coûts réels : matériel, énergie et maintenance face au coût d'une API fermée.
• Mettre en place une veille, l'écosystème open source évoluant très rapidement.