En 2023, je me suis plongé dans un paradigme puissant appelé les réseaux sociaux fédérés. J’ai construit une application sociale appelée Loom pour apprendre comment ces systèmes fonctionnent, ce qu’on pouvait construire par-dessus, et si cela pouvait devenir un produit viable : une alternative aux plateformes sociales centralisées. Voici un billet de blog que j’ai écrit à l’époque où j’ai arrêté le développement et repris un parcours professionnel classique. C’était un gros risque, que j’ai payé financièrement de bien des façons et que je pèserais plus soigneusement aujourd’hui, mais je ressentais l’appel de construire des solutions pour les réseaux sociaux après avoir observé des risques qui n’étaient pas largement compris à l’époque. Cela me semblait juste jusqu’à ce que l’élan autour de Lemmy lui-même commence à faiblir.
Pourtant, l’idée de « fédération » mérite d’être comprise. Plusieurs parties peuvent héberger la même pile, ou instance d’une idée, tout en partageant leurs communautés entre elles, pendant que chacun, dans chaque communauté, décide de ce qu’il veut dans son propre fil. Les utilisateurs contrôlaient leurs propres fils, chaque communauté contrôlait ce qui entrait dans son fil, et un utilisateur qui voulait aller plus loin pouvait créer sa propre communauté : un espace global pour son propre cercle, qui diffuse son contenu au monde ou le garde privé. J’allais bientôt comprendre que le vrai pouvoir de la fédération était la personnalisation. C’était un écosystème social modulaire et autonome où chacun avait son mot à dire sur la façon dont il était façonné : une alternative structurelle au fil centralisé.
J’ai retrouvé plus tard les mêmes concepts dans l’apprentissage automatique, dans un projet appelé FATE. À partir de là, j’ai commencé à chercher quels composants de la fédération comptent vraiment, comment un cadre d’apprentissage standard pourrait être construit autour d’eux, et comment ils s’appliquent aux problèmes que rencontre aujourd’hui l’industrie de l’IA.
- La communication multipartite
- La gouvernance des données
- La propriété des données
- La personnalisation
Ce sont les quatre principes auxquels je reviens sans cesse, et la construction de l’Ambient Intelligence Index les a solidifiés dans le code : un index qui permet à un utilisateur de fixer ses règles, de gouverner ses propres données, de les partager moyennant un coût si nécessaire, et de s’en servir pour personnaliser les interactions partout où il le faut, avec des flux de communication qui peuvent se connecter à l’index d’un autre utilisateur pour fusionner des pensées. C’est la fédération appliquée à des données préparées pour l’entraînement et l’inférence en apprentissage automatique, au niveau même de la couche base de données.
Alors pourquoi est-ce que j’appelle ce système Ambient ? Pour deux raisons. La première est venue de mon effort pour comprendre la bonne interaction homme-machine pour l’IA. Je n’ai jamais aimé les chatbots ; je les ai toujours vus comme l’alpha avant la bêta, une étape avant les produits qui généreront réellement de la valeur. Et je me suis dit : « quelque chose d’ambiant ». Je suis personnellement quelqu’un qui préfère payer pour l’ambiance. Je préfère la valeur cachée, les logos qui ne sont pas visibles, et la collecte d’intelligence qui n’est pas un interrogatoire, le tout sans contraindre l’utilisateur par des dark patterns. Leurs contraires, l’image de marque tapageuse, l’interrogatoire et les dark patterns, ont façonné toute une génération de comportements que nous voyons aujourd’hui hors ligne, appris des logiciels qui nous dressent depuis l’aube des réseaux sociaux. La seconde raison a été de tomber sur un concept d’internet of things littéralement appelé Ambient IoT. Beaucoup de choses se sont alors mises en place d’un coup.
Le but, ce sont des systèmes qui comprennent nos vies de façon ambiante et indirecte tout en préservant la vie privée, puis qui rappellent ces faits plus tard pour augmenter directement nos expériences : un progrès constant pour un individu sans effort direct de sa part, l’accessibilité automatisée, en quelque sorte. L’information est collectée de façon ambiante depuis nos appareils, nos habitudes d’apprentissage, nos journaux quotidiens, notre travail et nos devoirs, et stockée dans un format structuré dans un index qui nous représente. Des ingénieurs en apprentissage automatique y font des requêtes pour construire des modèles sans jamais connaître notre identité, et ces modèles nous servent en retour à travers les mêmes appareils. Une boucle infinie de croissance constante personnalisée.
Rao travaillera sur cette idée pendant la prochaine décennie. Non seulement j’ai plus d’une décennie de cicatrices qui éclairent où cela va, mais je sais exactement ce qui ne fonctionne pas. L’apprentissage ambiant est la première étape, vers l’indexation ambiante, vers un internet des objets ambiant qui nous sert, nous crédite en retour et apporte une vraie valeur sans nous coûter l’environnement, sans nous coûter de véritables parcours d’apprentissage, sans nous coûter nous-mêmes. Un équilibre.
Viennent ensuite les expériences avec les appareils. Entrer dans une pièce où les lumières s’atténuent, non pas parce que j’ai passé une journée entière à bricoler des réglages dans une application, mais parce qu’elle sait précisément pourquoi je voulais les atténuer. Pas à cause d’un horaire, mais parce que j’en avais besoin à cet instant précis. J’ai déjà vécu cela avec Ambient, dans des moments qui m’ont fait comprendre qu’AII fournit l’échafaudage de ce sentiment même. L’étape suivante est de le mesurer par des benchmarks pour qu’il soit constant, et de comprendre le pourquoi à un niveau granulaire, pour qu’il puisse devenir un cadre standard pour les applications ambiantes. Même avec Mistral Medium, cette sensation ambiante était possible, ce que je n’ai pas vécu dans les conversations de tous les jours avec Claude, Mistral ou ChatGPT, et je veux que cela serve de point de départ amorcé pour les ingénieurs qui entrent dans ce domaine.
La sécurité est la variable la plus importante ici, parce que la personnalisation, ambiante ou non, ne fonctionne que si l’identité d’un utilisateur est protégée à tout prix. Cela signifie chiffrer les messages en transit, chiffrer les données au repos, et prévoir que des données puissent être prises sans consentement : les rendre impossibles à utiliser contre l’utilisateur à qui elles ont été prises, ou à comprendre pour celui qui les a prises. Cela signifie un système en boucle fermée dans chaque format de média, et faire un effort supplémentaire dans chaque domaine. C’est la dernière frontière de l’intelligence artificielle en tant qu’industrie, et l’une des principales raisons pour lesquelles je crois que la technologie est sur le point d’entrer dans une autre révolution industrielle. Rao espère apporter une solution de départ : l’index. AII.
P.S.
AII, ou Ambient Intelligence Index, était aussi le surnom de ma grand-mère, « Eye - /ˈaɪ̯/, [ˈaɪ̯] » phonétiquement. Drôle de voir comment les choses fonctionnent parfois.
Voici la chanson de ce billet. Terminons 2026 en beauté. Bonnes fêtes à tous, et vivement 2027.