Guides, tutoriels, glossaire, retours d’expérience et outils testés par des membres des Hauts-de-France. Écrits pour être compris sans connaissances techniques.
Un modèle « n°1 » sur un classement ne garantit pas qu’il rédigera mieux votre mail de mairie ou votre notice technique. Ce guide explique ce que mesurent des familles de benchmarks, pourquoi s’en méfier, et comment construire votre banc de test. IAHDF ne republie pas de scores figés qui seraient obsolètes demain.
DeepSeek, Qwen, Kimi, GLM et d’autres modèles d’origine chinoise impressionnent souvent sur la performance et l’ouverture des poids. Ils soulèvent aussi des questions de données, de biais et de licences. Ce guide propose une lecture prudente pour entreprises et collectivités des Hauts-de-France, sans slogan géopolitique. IAHDF n’est affilié à aucun éditeur.
Faire « connaître » vos process à une IA passe surtout par deux familles de méthodes : lui faire lire vos documents au moment de la question (RAG) ou adapter ses poids (fine-tuning / LoRA). Ce guide explique quoi choisir, avec coûts conceptuels et exemples PME/collectivité/asso. IAHDF n’invente pas de devis.
Un RAG mal segmenté peut révéler à l’utilisateur A des documents de l’utilisateur B. Un document piégé peut tenter de détourner l’assistant. Une IA locale exposée sans auth devient un service public involontaire. Ce guide liste menaces, cas concrets et parades. Ressource régionale utile : CSIRT Hauts-de-France. IAHDF n’est pas un prestataire SSI.
Installer un modèle chez soi ne vous place pas automatiquement « hors AI Act ». Selon les cas, vous pouvez être déployeur — parfois plus. Ce guide pose les bonnes questions et rappelle l’article 4 (culture IA) comme sujet connu, sans inventer d’autres numéros ni seuils. Sources à consulter : EUR-Lex et la CNIL. IAHDF n’est pas un cabinet juridique.
« Le local est gratuit après l’achat » est un mythe. « Le cloud est toujours plus cher » aussi. Ce guide liste les postes de coût et vous donne une méthode de calcul à remplir avec vos chiffres — sans montants inventés par IAHDF. Objectif : décider pour 5, 20 ou 100 utilisateurs avec lucidité.
Une sortie de modèle par semaine peut transformer la veille en addiction. Ce guide propose des sources, des filtres et une routine courte pour rester à jour sans se noyer — utile aux PME, collectivités et curieux des Hauts-de-France. IAHDF n’est affilié à aucun média ni fournisseur. IAHDF n’est rémunéré par aucun éditeur : aucune note sponsorisée, aucun quota inventé, aucune promesse magique.
La quantification réduit la précision des nombres d’un modèle pour qu’il tienne en mémoire. Voici ce que signifie Q4 ou Q8, ce que ça change vraiment, et comment éviter les mauvaises surprises sur un PC de bureau.
La VRAM est la mémoire de la carte graphique. Pour une IA locale, elle décide souvent si un modèle charge ou non. Voici ce que ça veut dire, sans promesse de Go « exacts » inventés.
Quand une fiche affiche 7B ou 27B, elle parle du nombre de paramètres du modèle. Ce chiffre oriente la mémoire et souvent la finesse, sans garantir à lui seul la qualité sur votre tâche.
Open weights signifie que les poids du modèle sont publiés pour téléchargement. Ce n’est pas automatiquement « open source » au sens logiciel complet. Voici la nuance juridique et pratique, ce que vous gagnez en maîtrise locale, et ce que la licence peut encore vous interdire.
Un modèle MoE (mélange d’experts) n’active qu’une fraction de ses paramètres à chaque jeton. La fiche peut afficher un total énorme et un chiffre « actifs » bien plus petit. Voici ce que cela signifie pour la qualité perçue, la mémoire et vos choix de machine en local.
