Écosystème de l'industrie de l'IA
Lorsque vous choisissez un outil d'IA, vous choisissez en réalité une voie technologique.
Choisir closed source ou open source ? Choisir un service cloud ou un déploiement local ? Choisir des entreprises américaines ou chinoises ? Ces choix affecteront votre efficacité au travail, la sécurité de vos données et les coûts à long terme.
Plus important encore, si vous envisagez un développement de carrière, vous devez savoir quelles entreprises sont à la pointe de la technologie et quelles orientations représentent l'avenir.
Cet article ne vous gavera pas de nouvelles ennuyeuses du secteur, mais vous aidera plutôt à construire un cadre pour comprendre l'industrie de l'IA.
Comprendre l'écosystème de l'industrie ne sert pas à suivre l'engouement, mais à avoir de l'assurance au moment de prendre des décisions.
Aperçu des principales entreprises d'IA
Les acteurs de l'industrie de l'IA peuvent être divisés en plusieurs catégories : les principales entreprises américaines, les principales entreprises chinoises et les entreprises licornes.
Chaque catégorie d'entreprises a des voies technologiques et des stratégies produit différentes.
Entreprises américaines de premier plan
Les États-Unis occupent une position de premier plan dans la technologie des grands modèles, quatre entreprises étant les plus représentatives.
| Entreprise | Modèle principal | Caractéristiques | Produits représentatifs |
|---|---|---|---|
| OpenAI | GPT-4、GPT-4o | À la pointe de la technologie, commercialisation mature | ChatGPT、GPTs |
| Anthropic | Claude 3、Claude 3.5 | Priorité à la sécurité, solides capacités sur les textes longs | Claude.ai |
| Google DeepMind | Gemini | Fort en multimodalité, solide en recherche | Application Gemini |
| Meta AI | Série Llama | Force motrice de l'open source, disponible gratuitement | Llama 3、Llama 3.1 |
OpenAIC'est le développeur de ChatGPT et un acteur clé de la démocratisation de l'IA. Ses caractéristiques sont des mises à jour technologiques rapides et une bonne expérience produit, mais la confidentialité des données et les stratégies tarifaires suscitent souvent la controverse.
AnthropicFondée par d'anciens employés d'OpenAI, elle se concentre sur l'« IA sûre ». Le modèle Claude excelle dans le traitement de longs documents (des dizaines de milliers de caractères) et sa modération de contenu est relativement indulgente.
Google DeepMindC'est le créateur d'AlphaGo, qui se concentre désormais sur la série de modèles Gemini. Ses avantages sont les capacités multimodales (image, vidéo, audio) et une profonde accumulation de recherche.
Meta AIElle emprunte une voie complètement différente : l'open source. Les modèles de la série Llama sont gratuits pour les développeurs, et n'importe qui peut les télécharger, les modifier et les déployer. Cela donne à Meta une influence énorme dans la communauté de l'open source.
Entreprises chinoises de premier plan
Les entreprises chinoises d'IA rattrapent également rapidement leur retard et forment leur propre écosystème.
| Entreprise | Modèle principal | Caractéristiques | Produits représentatifs |
|---|---|---|---|
| Baidu | Série de grands modèles Wenxin (ERNIE) | Le plus ancien déploiement national de grands modèles, profondément engagé dans la multimodalité, la recherche et les services aux entreprises, avec de nombreux cas de mise en œuvre dans le secteur public et les entreprises | Wenxin Yiyan, Wenxin Qianfan, Wenxin Yige |
| Alibaba | Série Tongyi Qianwen (Qwen) | À la pointe des initiatives open source, avec une gamme complète de modèles légers et à très grand nombre de paramètres, profondément intégrés à l'écosystème du commerce électronique et du cloud computing. | Tongyi Qianwen, Tongyi Wanxiang, Alibaba Cloud Bailian |
| Tencent | Grand modèle Hunyuan | Tirant parti de ses activités de réseaux sociaux, de jeux et de vidéo, il excelle dans les scénarios de génération image-texte, de génération vidéo, d'humains numériques et d'intégration sociale grand public. | Assistant Tencent Hunyuan, Hunyuan Painting, Tencent Zhiying |
| ByteDance | Grand modèle Doubao | Des avantages remarquables dans la génération de contenu multimodal et de vidéos courtes, couvrant la conversation personnelle, la création par IA et l'assistance bureautique. | Doubao AI, Dreamina, Coze (Kouzi) |
| Moonshot AI | Grands modèles de la série Moonshot | Se concentre sur des fenêtres de contexte ultra-longues, prenant en charge la lecture sans perte de textes de niveau million, avec des avantages clairs dans les scénarios de documents et de bases de connaissances. | Assistant intelligent Kimi |
| Zhipu AI | GLM (Zhipu Qingyan) | Solide bagage académique, couvrant les scénarios de dialogue général, de code et de recherche scientifique, avec un déploiement privé d'entreprise mature. | Zhipu Qingyan, Zhipu Code, Zhipu Qingyan Enterprise Edition |
| MiniMax (Xiyu Technology) | Grand modèle 01 | Capacités exceptionnelles en voix, humains numériques et génération vidéo, avec une implantation de commercialisation à l'étranger bien établie. | Hailuo AI, plateforme de génération vidéo d'humains numériques |
| DeepSeek | Grand modèle DeepSeek | Performance de premier ordre des grands modèles de code, ouverture à grande échelle de toute la série de modèles, ciblant les développeurs et les chercheurs. | DeepSeek Chat, DeepSeek Coder |
BaiduC'est l'une des premières entreprises en Chine à investir dans les grands modèles. ERNIE Bot a un avantage dans la compréhension du chinois.
AlibabaLes modèles de la série Tongyi Qianwen (Qwen) sont très activement publiés en open source, allant de 1,8 milliard à 72 milliards de paramètres, avec une utilisation élevée dans la communauté open source.
La face cachée de la Lune (Moonshot)C'est une startup spécialisée dans le contexte ultra-long — son assistant Kimi peut traiter des documents de plus d'un million de caractères chinois à la fois, ce qui est très utile pour gérer des livres et des bases de code.
Entreprises licornes
Il y a aussi des startups récentes, mais qui possèdent des caractéristiques technologiques distinctives et des valorisations élevées.
| Entreprise | Modèles principaux | Caractéristiques | Siège social |
|---|---|---|---|
| Mistral AI | Série Mistral | Innovation technologique, priorité à l'efficacité | France |
| Cohere | Command R+ | Services d'entreprise, augmentés par récupération | Canada |
| xAI | Grok | Fondé par Musk, en quête de vérité | États-Unis |
Mistral AIC'est une entreprise française, connue pour ses modèles compacts mais puissants. Mistral 7B est leader en performance à paramètres équivalents, et elle a introduit l'architecture MoE (Mixture of Experts), qui est très efficace.
Le choix du produit d'une entreprise dépend principalement de vos besoins : pour la capacité la plus forte, choisissez OpenAI ou Anthropic ; pour de l'open source gratuit, choisissez DeepSeek, Zhipu, etc.
Modèles open source vs modèles propriétaires
C'est le débat stratégique le plus important de l'industrie de l'IA.
D'un côté, la voie du code fermé représentée par OpenAI et Anthropic : les modèles ne sont accessibles que via API ou le web, et vous ne pouvez pas voir les poids des modèles.
De l'autre côté, la voie open source représentée par DeepSeek et Alibaba : vous pouvez télécharger des modèles complets et les exécuter sur vos propres appareils.
Que sont les modèles open source ?
L’open source a une définition claire dans le domaine du logiciel, mais dans le domaine de l’IA, la situation est quelque peu différente.
Le véritable open source signifie que vous pouvez librement :
- Télécharger les poids du modèle
- Utiliser à des fins commerciales
- Modifier l’architecture du modèle
- Republier des versions dérivées
Mais de nombreux modèles dits open source sont en réalité à poids ouverts — vous pouvez les télécharger et les utiliser, mais il existe des restrictions d’utilisation commerciale.
Modèles open source typiques
| Série de modèles | Développeur | Licence | Caractéristiques |
|---|---|---|---|
| Llama 3/3.1 | Meta | Adapté aux entreprises | Écosystème le plus complet, bon soutien communautaire |
| Mistral | Mistral AI | Apache 2.0 | Haute efficacité, nombreuses innovations |
| Qwen | Alibaba | Apache 2.0 | Forte capacité en langue chinoise |
| Yi | 01.AI | Adapté aux entreprises | Équilibré entre chinois et anglais |
Comparaison entre source fermée et open source
Les deux approches ont chacune leurs forces et leurs faiblesses ; il n'y a pas de bien ou de mal absolu—tout dépend de votre scénario.
| Dimension | Modèles à source fermée | Modèles open source |
|---|---|---|
| Plafond de capacités | Généralement plus puissant (GPT-4, Claude 3) | En rattrapage, mais l'écart se réduit |
| Confidentialité des données | Données envoyées à des tiers | Données conservées localement |
| Coût d'utilisation | Paiement par token | Investissement matériel unique |
| Capacité de personnalisation | Limitée (peut uniquement affiner les prompts) | Entièrement contrôlable (affinage, quantification) |
| Difficulté de déploiement | Aucun déploiement (utiliser directement l'API) | Nécessite des compétences techniques pour déployer |
| Vitesse de mise à jour | Le fournisseur met à jour en continu | Vous devez suivre vous-même les nouvelles versions |
Comment choisir
Choisissez une solution propriétaire lorsque :
- Vous voulez les capacités les plus puissantes et ne voulez pas vous occuper des détails techniques
- Vos données ne sont pas sensibles et peuvent être envoyées à des tiers
- Votre utilisation est faible, le paiement par token est plus économique
- Vous devez lancer rapidement et ne voulez pas passer de temps sur le déploiement
Choisissez l'open source lorsque :
- Vos données sont extrêmement sensibles et ne peuvent pas quitter l'entreprise
- Votre utilisation est importante, le paiement par token est trop coûteux
- Vous avez besoin d'une personnalisation poussée du comportement du modèle
- Vous disposez d'une équipe technique pour déployer et maintenir
Stratégie recommandée : utilisez le closed source pour les petits usages et l'exploration (coût faible, lancement rapide), envisagez l'open source pour les environnements à grande échelle et de production (forte contrôlabilité, faible coût à long terme).
IA cloud vs IA locale
Il s'agit d'un autre choix important : utiliser des services d'IA cloud, ou exécuter des modèles sur votre propre ordinateur ?
IA cloud : prête à l'emploi
L'IA cloud consiste à appeler des services d'IA dans le cloud via des pages web ou des API.
Vous n'avez pas à vous soucier de l'endroit où le modèle est déployé, du nombre de GPU utilisés ni de la façon dont il est mis à jour — vous saisissez simplement du contenu et obtenez des résultats.
Produits d'IA cloud typiques :
| Produit | Type | Mode de paiement |
|---|---|---|
| ChatGPT | Chat web | Abonnement $20/month, ou paiement à l'usage |
| Claude.ai | Chat web | Abonnement $20/month, ou paiement à l'usage |
| API OpenAI | Interface API | Facturé au token |
| API Anthropic | Interface API | Facturé au token |
IA locale : entièrement contrôlable
L'IA locale exécute des modèles open source sur votre propre ordinateur ou serveur.
Les données ne quittent pas votre appareil et il n'y a pas de paiement récurrent.
Mais il vous faut une bonne carte graphique—généralement un GPU NVIDIA ; plus il y a de VRAM, mieux c'est.
Outils courants pour l'IA locale :
| Outil | Fonctionnalités | Convient pour |
|---|---|---|
| Ollama | Démarrage en un clic, fonctionnement en ligne de commande | Développeurs, utilisateurs techniques |
| LM Studio | Interface graphique, bibliothèque de modèles riche | Utilisateurs généraux, débutants |
| vLLM | Service d'inférence hautes performances | Déploiement en environnement de production |
| Text Generation WebUI | Le plus complet en fonctionnalités, affinable | Utilisateurs avancés |
Comparaison entre l'IA cloud et l'IA locale
| Dimension | IA cloud | IA locale |
|---|---|---|
| Coût initial | Zéro, paiement à l'usage | Élevé (nécessité d'acheter un GPU) |
| Coût d'utilisation | Paiement continu à l'usage | Coût de l'électricité + amortissement du matériel |
| Confidentialité des données | Données envoyées au fournisseur de services | Les données restent entièrement locales |
| Difficulté de déploiement | Aucune | Nécessite quelques compétences techniques |
| Vitesse de réponse | Dépend du réseau | Calcul local, vitesse stable |
| Plafond de capacités | Peut utiliser les plus grands modèles | Limité par la VRAM du GPU |
Stratégie hybride : tirer le meilleur des deux mondes
De nombreuses entreprises adoptent une stratégie hybride :
- Les données sensibles font appel à des modèles locaux
- Les requêtes ordinaires utilisent des API cloud
- Utiliser les services cloud aux heures de pointe diurnes, et le local pour le traitement par lots nocturne
Cela garantit la sécurité des données tout en maîtrisant les coûts.
Conseil aux utilisateurs individuels : essayez d'abord l'IA cloud, puis, après avoir pris l'habitude, envisagez un déploiement local si vous avez des besoins de confidentialité ou si votre utilisation augmente.
Infrastructure d'IA
L'IA ne se résume pas aux modèles : la puissance de calcul sous-jacente, les puces et les services cloud constituent l'infrastructure de tout le secteur.
Puissance de calcul GPU : pourquoi NVIDIA domine le marché
L'entraînement de grands modèles nécessite d'énormes calculs, et les GPU (unités de traitement graphique) sont actuellement le matériel le plus adapté.
NVIDIA détient un quasi-monopole dans ce domaine, pour trois raisons :
| Avantage | Description |
|---|---|
| Écosystème CUDA | CUDA est le framework de programmation de NVIDIA ; presque tous les frameworks d'IA privilégient sa prise en charge. |
| Capacité mémoire | Les cartes professionnelles comme les H100 et A100 disposent de 80GB, voire plus, de mémoire. |
| Prise en charge logicielle | Les bibliothèques, compilateurs et chaînes d'outils optimisés sont les plus complets. |
Positionnement courant des GPU NVIDIA :
| Modèle de carte | Mémoire | Positionnement | Scénarios applicables |
|---|---|---|---|
| RTX 3090/4090 | 24GB | Grand public | Apprentissage personnel, inférence de petits modèles |
| A10G | 24GB | Professionnel débutant | Inférence légère, affinage |
| A100 | 80GB | Niveau professionnel | Entraînement de modèles, inférence à grande échelle |
| H100 | 80GB | Niveau haut de gamme | Entraînement de grands modèles (70B+) |
La taille de la mémoire est une métrique clé.De manière générale :
- Un modèle 7B nécessite 8-16GB de mémoire
- Un modèle 13B nécessite 16-32GB de mémoire
- Un modèle 70B nécessite 60-80GB de mémoire
Fournisseurs de cloud computing : le calcul en tant que service
Tout le monde ne peut pas s'offrir un GPU coûtant des centaines de milliers — les fournisseurs de cloud proposent un modèle de « location à l'heure ».
| Fournisseur de cloud | Fonctionnalités | Instances typiques |
|---|---|---|
| AWS | Types d'instances les plus complets | séries p4d, p5, g5 |
| Azure | Services d'entreprise complets | séries NC, ND, NV |
| GCP | Bonne prise en charge des TPU | Séries A3, T4 |
| Alibaba Cloud | Accès rapide en Chine | Séries gn6, gn7 |
Alternatives nationales de puissance de calcul
En raison des restrictions à l'exportation de puces, la Chine développe activement une puissance de calcul nationale.
Principaux acteurs :
| Fournisseur | Puce | Fonctionnalités |
|---|---|---|
| Huawei Ascend | Ascend 910 | Écosystème relativement complet, prend en charge l'entraînement de grands modèles |
| Cambricon | Siyuan 590 | Axé sur l'accélération de l'IA |
| Hygon | DCU | Compatible avec l'écosystème CUDA |
Les puces nationales sont encore en train de rattraper leur retard ; le principal problème est l'écosystème logiciel — de nombreux frameworks d'IA nécessitent une adaptation spécifique.
Pour les développeurs individuels, il est recommandé de commencer par les GPU grand public NVIDIA (par ex., RTX 4090), car l'écosystème est le plus mature et dispose du plus grand nombre de ressources.
Modèles économiques de l'IA
Comment les entreprises d'IA gagnent-elles de l'argent ? Il existe actuellement trois modèles principaux.
B2C : modèle d'abonnement
S'adresse aux utilisateurs individuels, avec un paiement mensuel.
| Produit | Tarification | Ce qui est inclus |
|---|---|---|
| ChatGPT Plus | $20/mois | Accès prioritaire à GPT-4, réponses plus rapides |
| Claude Pro | $20/mois | Accès prioritaire à Claude 3, contexte plus long |
| GitHub Copilot | $10/mois | Complétion de code, explication de code |
L'avantage du modèle d'abonnement est un flux de trésorerie stable et une forte fidélité des utilisateurs. Cependant, il doit continuellement apporter de la valeur, sinon les utilisateurs se désabonneront.
B2B : Appels API
Paiement à l'usage — vous payez en fonction du nombre d'appels à l'API.
L'unité de tarification est le « Token », qui peut être compris comme « mot » ou « caractère ».
Tarification typique (mi-2025) :
| Modèle | Prix d'entrée | Prix de sortie |
|---|---|---|
| GPT-4o | 5 $ par million de tokens | 15 $ par million de tokens |
| Claude 3.5 Sonnet | 3 $ par million de tokens | 15 $ par million de tokens |
| GPT-4 | 30 $ par million de tokens | 60 $ par million de tokens |
| Llama 3.1 405B (auto-hébergé) | Coût du matériel + électricité | |
Faisons le calcul : supposons que vous ayez une application qui traite 100,000 requêtes par jour, chaque requête utilisant 1,000 tokens.
Avec GPT-4o, le coût quotidien est de $5 (entrée) + $15 (sortie) = $20, ce qui revient à $600 par mois.
Si l'utilisation augmente, les coûts grimpent rapidement — c'est pourquoi de nombreuses entreprises finissent par choisir d'auto-héberger des modèles open source.
Monétiser l'écosystème open source
Les modèles open source sont gratuits, mais les entreprises peuvent gagner de l'argent grâce à des services périphériques :
- Services d'hébergement : déployer et maintenir pour vous
- Édition entreprise : fournir des fonctionnalités et un support supplémentaires
- Services de conseil : personnaliser et optimiser pour vous
- Services de formation : affiner les modèles avec vos données
Mistral AI est un représentant de ce modèle — les modèles sont open source, mais les entreprises doivent payer pour accéder à des modèles plus grands et à de meilleurs services.
Comparaison des trois modèles
| Modèle | Utilisateurs cibles | Stabilité des revenus | Exigences techniques |
|---|---|---|---|
| Abonnement | Utilisateurs individuels | Moyenne | Nécessite une excellente expérience produit |
| Appels d'API | Développeurs, entreprises | Élevé (déterminé par l'usage) | Nécessite un service stable |
| Écosystème open source | Entreprises, développeurs | Plus lent (nécessite de construire un écosystème) | Nécessite des capacités de gestion de communauté |
Réglementation et politique de l'IA
L'IA se développe si rapidement que chaque pays élabore des politiques de réglementation. Comprendre ces politiques peut vous aider à atténuer les risques.
Règlement de l'UE sur l'IA
L'UE a la réglementation la plus stricte, avec pour concept central la « classification fondée sur les risques ».
| Niveau de risque | Définition | Exigences réglementaires |
|---|---|---|
| Risque inacceptable | Notation sociale, reconnaissance faciale en temps réel | Interdit |
| Risque élevé | Dispositifs médicaux, décisions de justice, recrutement | Conformité stricte, transparence élevée |
| Risque moyen | Chatbots, génération de contenu | Étiqueter le contenu généré par IA |
| Risque faible | Jeux vidéo, retouche photo | Essentiellement aucune exigence |
L'AI Act de l'UE a un impact mondial — tant que votre produit sert des utilisateurs de l'UE, vous devez vous y conformer.
Cadre réglementaire de l'IA en Chine
Les politiques réglementaires chinoises sont également progressivement affinées, avec notamment les documents clés suivants :
- « Mesures provisoires pour la gestion des services d'IA générative »
- « Loi sur l'intelligence artificielle » (projet soumis à commentaires)
Exigences clés :
- Le contenu généré doit être véridique et exact, et ne doit pas fabriquer de fausses informations
- Les mécanismes d'examen du contenu doivent être robustes
- Les sources de données doivent être légitimes
- Les algorithmes doivent être transparents et explicables
Dynamique des politiques d'IA aux États-Unis
La réglementation américaine est relativement permissive, principalement par le biais de décrets présidentiels et de l'autorégulation de l'industrie.
Principaux domaines d'intérêt :
- Sécurité nationale : empêcher que l'IA soit utilisée à des fins malveillantes
- Équité : prévenir la discrimination algorithmique
- Transparence : le contenu généré par l'IA doit être étiqueté
Pour les développeurs individuels, les points les plus importants à noter sont les suivants : le contenu généré par l'IA doit être clairement étiqueté et ne doit pas se faire passer pour une création humaine. Lorsque des données personnelles sont impliquées, les réglementations sur la protection des données doivent être respectées.
Perspectives des tendances de l'industrie de l'IA pour 2025
À la mi-2026, plusieurs tendances sont devenues assez claires.
Tendance 1 : les capacités des modèles continuent de s'améliorer, mais avec des rendements marginaux décroissants
GPT-5, Claude 5, Gemini 3.0, DeepSeek 4 et GLM 5 sont tous arrivés, mais chaque mise à niveau apporte de moins en moins de surprises.
Ce n'est pas que la technologie ait atteint un goulot d'étranglement, mais plutôt qu'il existe déjà de nombreux cas d'usage "suffisamment bons".
Tendance 2 : les modèles open source continuent de rattraper leur retard, réduisant l'écart avec les modèles propriétaires
Les performances de Llama 3.1 405B sont déjà proches du niveau de GPT-4, et il est disponible gratuitement.
Davantage d'entreprises rejoindront le camp de l'open source à l'avenir, et l'écosystème des modèles open source deviendra de plus en plus mature.
Tendance 3 : la couche applicative commence à exploser, les agents deviennent pratiques
Ces dernières années, la compétition portait sur la couche des modèles ; désormais, l'accent se déplace vers la couche applicative.
Les agents IA — des IA capables d'accomplir de manière autonome des tâches complexes — passeront du concept à l'application pratique.
Tendance 4 : la multimodalité devient la norme
Les modèles purement textuels deviendront de plus en plus rares, et les modèles multimodaux capables de traiter simultanément du texte, des images, de l'audio et de la vidéo deviendront la norme.
Tendance 5 : La réglementation se normalise
Les cadres réglementaires de divers pays prendront progressivement forme, faisant passer l'industrie de l'IA d'une « croissance effrénée » à un stade de « développement réglementé ».
| Tendances | Impact sur les individus | Recommandations |
|---|---|---|
| Amélioration des capacités des modèles | Les outils deviennent plus puissants | Soyez attentif aux nouvelles fonctionnalités, mais ne courez pas aveuglément après la nouveauté |
| Les modèles open source rattrapent leur retard | Le déploiement local devient de plus en plus faisable | Apprendre la pile d'outils open source |
| Explosion au niveau de la couche applicative | Les opportunités se situent au niveau de la couche application | Combinez l'IA avec votre domaine |
| Le multimodal comme standard | Peut faire plus de choses | Développez des idées d'applications multimodales |
| Normalisation réglementaire | Les exigences de conformité augmentent | Comprendre les réglementations pertinentes |
Exemple de code : Appeler une API de modèle open source
Écrivons un exemple simple en Python pour démontrer comment appeler une API de modèle open source.
Nous utiliserons Ollama comme service d'inférence local, qui prend en charge plusieurs modèles open source tels que Llama 3, Qwen et Mistral.
Référence pour le contenu lié à Ollama :https://www.example.com/ollama/ollama-tutorial.html。
Exemple
# Exemple d'appel à une API de modèle open source
# Démo : Exécution locale du modèle Llama 3 avec Ollama
# ============================================
import requests
import json
def call_ollama_model(prompt: str, model: str = "llama3") -> str:
"""
Appeler l'API d'Ollama pour obtenir une réponse d'un modèle
Description des paramètres :
prompt : Votre question ou texte d'entrée
model : Le nom du modèle à utiliser (par défaut : llama3)
Valeurs facultatives : llama3, qwen2, mistral, yi, etc.
Valeur de retour :
Le texte de réponse du modèle
"""
# Ollama s'exécute sur le port local 11434 par défaut
url = "http://localhost:11434/api/generate"
# Construire les données de la requête
payload = {
"model": model, # Modèle à utiliser
"prompt": prompt, # Entrée utilisateur
"stream": False, # Ne pas utiliser la sortie en streaming (retourner en une seule fois)
"options": {
"temperature": 0.7, # Paramètre de température : plus élevé est plus aléatoire, plus bas est plus déterministe
"top_p": 0.9, # Paramètre d'échantillonnage : contrôle la diversité
"num_predict": 512, # Nombre maximum de tokens générés
}
}
try:
# Envoyer la requête POST
response = requests.post(url, json=payload, timeout=60)
response.raise_for_status() # Vérifier si la requête a réussi
# Analyser le résultat renvoyé
result = response.json()
return result.get("response", "Aucune réponse obtenue")
except requests.exceptions.ConnectionError:
return "Erreur : Impossible de se connecter au service Ollama. Veuillez d'abord démarrer Ollama."
except requests.exceptions.Timeout:
return "Erreur : La requête a expiré. Le modèle est peut-être encore en cours de chargement."
except Exception as e:
return f"错误：{str(e)}"
def chat_with_example():
"""Exemple de conversation multi-tours avec l'assistant IA d'exemple"""
print("=" * 50)
print("🚀 assistant IA d'exemple (basé sur le modèle open source Llama 3)")
print("=" * 50)
print("Astuce : Saisissez 'quit' ou 'exit' pour quitter la conversation")
print()
# Historique de la conversation (pour la continuité du contexte)
conversation_history = []
while True:
# Obtenir la saisie de l'utilisateur
user_input = input("Vous : ").strip()
# Vérifier s'il faut quitter
if user_input.lower() in ["quit", "exit", "Fermeture"]:
print("exemple IA : Au revoir ! Revenez quand vous voulez.")
break
if not user_input:
continue
# Construire une invite avec contexte
full_prompt = "\n".join(conversation_history) + f"\nUtilisateur : {user_input}\nAssistant :"
# Appeler le modèle
print("exemple IA : ", end="", flush=True)
response = call_ollama_model(full_prompt)
print(response)
print()
# Mettre à jour l'historique de conversation
conversation_history.append(f"Utilisateur : {user_input}")
conversation_history.append(f"Assistant : {response}")
# Conserver uniquement les 5 derniers tours de conversation pour éviter un contexte trop long
if len(conversation_history) > 10:
conversation_history = conversation_history[-10:]
# Exemple 1 : appel unique
print("--- Exemple 1 : question unique ---")
question = "Veuillez expliquer ce qu'est un grand modèle de langage en une phrase."
print(f"Question : {question}")
answer = call_ollama_model(question)
print(f"Réponse : {answer}")
print()
# Exemple 2 : utilisation de différents modèles
print("--- Exemple 2 : basculer entre différents modèles ---")
for model_name in ["llama3", "qwen2", "mistral"]:
print(f"Utilisation du modèle {model_name}:")
answer = call_ollama_model("Bonjour, veuillez vous présenter.", model=model_name)
print(f"Réponse : {answer[:100]}...") # Afficher uniquement les 100 premiers caractères
print()
# Exemple 3 : conversation multi-tours (décommenter pour exécuter)
# print("--- Exemple 3 : conversation multi-tours ---")
# chat_with_example()
Avant d'exécuter ce code, vous devez d'abord installer Ollama :
- gohttps://ollama.comTéléchargez et installez Ollama
- Exécutez dans le terminal :
ollama pull llama3Télécharger le modèle - Exécutez :
ollama serveDémarrer le service (s'il n'est pas déjà démarré) - Ensuite, exécutez le code Python ci-dessus
Si vous n'avez pas de GPU local, vous pouvez également utiliser des API de modèles open source basées sur le cloud, comme Together.ai, Anyscale, etc. La méthode d'appel est similaire, seuls l'URL et le mode d'authentification diffèrent.
Autres extensionsL'avantage des modèles open source est que vous pouvez d'abord utiliser un petit modèle (7B) en local pour le développement et les tests, puis, s'il fonctionne bien, passer à un modèle plus grand (70B) ou à un service cloud.