Intelligence artificielle · Chapitre 36 · Cours 01

Comprendre l’exécution locale d’un modèle

Une intelligence artificielle peut fonctionner sur des serveurs distants, mais aussi directement sur votre ordinateur. Découvrez ce que signifie exécuter un modèle en local, comment les données sont traitées, quelles ressources sont mobilisées et pourquoi cette approche intéresse aussi bien les particuliers que les professionnels.

À la fin de ce cours, vous saurez :

  • Définir l’exécution locale d’un modèle d’intelligence artificielle.
  • Distinguer une IA locale d’une IA hébergée sur un serveur distant.
  • Expliquer le rôle du modèle, du logiciel d’exécution et du matériel.
  • Décrire les principales étapes du traitement d’une requête.
  • Comprendre la différence entre entraînement et inférence.
  • Identifier les avantages et les contraintes d’une exécution locale.
  • Reconnaître les situations dans lesquelles un traitement reste réellement local.
Prérequis

Aucune expérience en programmation ou en installation de modèles n’est nécessaire. Il suffit de connaître les usages courants d’un ordinateur et d’avoir déjà rencontré un assistant conversationnel ou un outil d’intelligence artificielle.

1. Qu’est-ce que l’exécution locale d’un modèle ?

L’exécution locale d’un modèle d’intelligence artificielle consiste à faire fonctionner les calculs du modèle directement sur un appareil que l’on utilise ou administre, plutôt que de confier ces calculs à un service distant.

Il peut s’agir d’un ordinateur personnel, d’une station de travail, d’un serveur installé dans une organisation ou, pour certains modèles, d’un appareil mobile.

Dans le cas d’un assistant conversationnel local, le logiciel charge les paramètres du modèle dans la mémoire disponible et utilise les ressources de la machine pour produire une réponse.

Exemple simple

Vous installez un logiciel capable de charger un modèle de langage sur votre ordinateur. Vous saisissez la question : « Explique-moi la différence entre un fichier et un dossier. »

Si le modèle s’exécute réellement sur votre appareil, les calculs nécessaires à la réponse sont effectués par votre ordinateur. Il n’est pas nécessaire d’envoyer cette question à un serveur externe pour obtenir la réponse.

Définition à retenir

Une IA est exécutée localement lorsque l’inférence du modèle, c’est-à-dire le calcul de ses résultats à partir d’une entrée, se déroule sur le matériel local prévu pour cet usage.

2. IA locale et IA distante : deux architectures différentes

La différence principale concerne l’endroit où sont réalisés les calculs.

2.1. Fonctionnement d’une IA distante

Lorsqu’une application utilise un modèle hébergé dans le cloud, l’appareil de l’utilisateur sert généralement d’interface.

La demande est transmise par un réseau à une infrastructure distante, qui exécute le modèle et renvoie le résultat.

UTILISATEUR | v APPLICATION OU NAVIGATEUR | | Transmission de la requête v SERVEUR DISTANT | | Exécution du modèle v RÉPONSE | v APPLICATION DE L’UTILISATEUR

Cette architecture permet de bénéficier de modèles parfois très volumineux sans disposer personnellement de toute la puissance de calcul nécessaire.

2.2. Fonctionnement d’une IA locale

Avec une installation locale, l’application transmet la requête à un moteur d’exécution présent sur la machine.

Le moteur utilise les paramètres du modèle et les ressources matérielles disponibles pour calculer la réponse.

UTILISATEUR | v APPLICATION LOCALE | v MOTEUR D’INFÉRENCE | | Modèle chargé en mémoire | Calculs CPU et/ou GPU v RÉPONSE LOCALE | v APPLICATION DE L’UTILISATEUR

Dans cette architecture, aucun serveur distant n’est indispensable pour effectuer les calculs du modèle, à condition que le logiciel et les dépendances nécessaires soient déjà disponibles.

2.3. Tableau comparatif

Critère IA distante IA locale
Lieu des calculs Infrastructure distante. Appareil ou serveur local.
Connexion Internet Généralement nécessaire pour utiliser le service. Pas nécessaire à chaque requête si l’environnement est autonome.
Ressources matérielles Principalement fournies par le prestataire. Fournies par l’utilisateur ou son organisation.
Installation Souvent limitée à une application ou un navigateur. Nécessite généralement un logiciel et un modèle compatibles.
Gestion des mises à jour Principalement assurée par le fournisseur. Dépend de l’utilisateur, du logiciel et de l’organisation.
Traitement des données Peut impliquer leur transmission à un prestataire. Peut rester sur l’appareil si aucun composant ne transmet les données.
Capacité du modèle Dépend du service souscrit. Dépend du modèle et des ressources disponibles.

3. Les trois éléments indispensables à une IA locale

Une installation locale ne repose pas uniquement sur le téléchargement d’un fichier.

Elle nécessite trois éléments qui travaillent ensemble.

1. Le modèle

Il contient les paramètres appris lors de l’entraînement. Ces paramètres participent à la production des réponses.

2. Le moteur d’exécution

Il charge le modèle, prépare les entrées et effectue les opérations nécessaires à l’inférence.

3. Le matériel

Il fournit la mémoire et la puissance de calcul nécessaires au fonctionnement du modèle.

L’interface utilisateur

Elle facilite les échanges avec le modèle. Une interface graphique n’est pas toujours indispensable, mais elle rend l’utilisation plus accessible.

3.1. Le modèle n’est pas un programme complet

Un modèle de langage peut être représenté par des fichiers contenant notamment ses paramètres numériques et des informations de configuration.

Ces fichiers ne constituent pas, à eux seuls, une application conversationnelle complète.

Il faut un logiciel capable d’interpréter leur structure et d’effectuer les calculs correspondants.

Analogie pédagogique

Le modèle peut être comparé à un ensemble de connaissances et de mécanismes appris, tandis que le moteur d’inférence fournit les moyens techniques de les exploiter. L’interface permet ensuite à l’utilisateur de formuler ses demandes.

Cette comparaison aide à comprendre les rôles, mais un modèle d’IA ne fonctionne pas comme une base documentaire classique.

4. Comprendre la différence entre entraînement et inférence

Pour comprendre l’exécution locale, il faut distinguer deux grandes phases du fonctionnement d’un modèle.

4.1. L’entraînement

L’entraînement est le processus au cours duquel les paramètres d’un modèle sont ajustés à partir de données et d’un objectif d’apprentissage.

Cette phase peut mobiliser des ressources de calcul très importantes.

Elle est généralement réalisée avant que le modèle soit mis à disposition des utilisateurs.

4.2. L’inférence

L’inférence correspond à l’utilisation d’un modèle déjà entraîné pour produire un résultat à partir d’une nouvelle entrée.

Pour un modèle de langage, il peut s’agir de générer une réponse à une question.

Pour un modèle de reconnaissance d’images, il peut s’agir d’identifier un objet dans une photographie.

AspectEntraînementInférence
Objectif Ajuster les paramètres du modèle. Utiliser les paramètres existants pour produire un résultat.
Moment Avant la mise à disposition du modèle, ou lors d’un nouvel apprentissage. Pendant son utilisation.
Ressources Potentiellement très importantes. Variables selon la taille du modèle et la tâche.
Exemple Entraîner un modèle à prédire des séquences de texte. Demander au modèle de résumer un paragraphe.
Point essentiel

Installer un modèle déjà entraîné sur son ordinateur ne signifie pas que l’on entraîne soi-même cette IA. Dans la majorité des usages abordés dans ce chapitre, on réalise de l’inférence locale.

5. Que se passe-t-il lorsqu’on envoie une question ?

Prenons un assistant conversationnel utilisant un modèle de langage local.

Lorsqu’un utilisateur saisit une question, plusieurs opérations se succèdent.

1
Saisie de la demande

L’utilisateur rédige une question dans l’interface de conversation.

2
Préparation de l’entrée

Le logiciel organise le contenu à transmettre au modèle, notamment les instructions et le contexte disponibles.

3
Tokenisation

Le texte est transformé en unités appelées tokens, représentées par des identifiants numériques exploitables par le modèle.

4
Calcul de la sortie

Le moteur utilise les paramètres du modèle pour calculer les éléments de réponse. Dans un modèle de langage autorégressif, les nouveaux tokens sont générés successivement.

5
Conversion en texte

Les tokens produits sont convertis en une représentation lisible.

6
Affichage de la réponse

L’interface présente le résultat à l’utilisateur, parfois progressivement pendant la génération.

5.1. Qu’est-ce qu’un token ?

Un token est une unité de traitement utilisée par un modèle. Selon le système de tokenisation, il peut correspondre à un mot, une partie de mot, un caractère ou une autre séquence.

Les tokens permettent au modèle de manipuler les entrées et les sorties sous une forme numérique.

5.2. Le modèle consulte-t-il automatiquement Internet ?

Non. Un modèle local de langage ne dispose pas automatiquement d’un accès au Web.

Il produit ses réponses à partir de ses paramètres et du contexte qui lui est fourni.

Un logiciel peut lui ajouter des fonctions de recherche ou des outils externes, mais ces fonctionnalités doivent être configurées séparément.

Attention aux réponses inventées

Un modèle exécuté localement peut produire des informations inexactes ou inventées, comme un modèle distant. L’exécution locale modifie l’architecture technique, mais ne garantit pas la fiabilité des réponses.

6. Quel matériel effectue les calculs ?

Le moteur d’inférence s’appuie sur les ressources de l’appareil.

Deux composants sont particulièrement importants pour les calculs : le processeur et, lorsqu’il est disponible et compatible, le processeur graphique.

6.1. Le processeur ou CPU

Le CPU (Central Processing Unit) est le processeur généraliste de l’ordinateur.

Il peut exécuter de nombreux modèles, notamment lorsqu’ils sont suffisamment petits ou optimisés.

Une inférence sur CPU peut toutefois être plus lente qu’une exécution accélérée sur un GPU adapté.

6.2. Le processeur graphique ou GPU

Le GPU (Graphics Processing Unit) est conçu pour réaliser de nombreuses opérations en parallèle.

Cette capacité peut accélérer les calculs utilisés par les réseaux de neurones.

La présence d’un GPU ne garantit pas à elle seule une accélération : le moteur doit être compatible avec le matériel et ses pilotes.

6.3. La mémoire

Le modèle et les données nécessaires à son fonctionnement doivent être chargés dans la mémoire disponible.

Selon l’architecture utilisée, les calculs peuvent mobiliser la RAM, la mémoire graphique ou une mémoire unifiée.

Un modèle trop volumineux peut être impossible à charger, ou fonctionner avec des performances très dégradées.

Pour la suite du chapitre

Les besoins matériels, la RAM, la VRAM et les possibilités d’accélération seront étudiés plus précisément dans les cours 03 et 04.

7. Où se trouvent les fichiers du modèle ?

Lorsqu’un modèle est installé localement, ses fichiers sont généralement enregistrés sur un support de stockage de l’appareil.

Il peut s’agir d’un disque SSD, d’un disque dur ou d’un autre espace de stockage accessible au logiciel.

Au moment de l’utilisation, le moteur charge les données nécessaires dans la mémoire.

STOCKAGE LOCAL | | Fichiers du modèle v CHARGEMENT EN MÉMOIRE | v CPU / GPU | | Calculs d’inférence v RÉSULTAT

Il faut donc distinguer :

  • Le stockage : conserve les fichiers du modèle.
  • La mémoire : contient les données nécessaires pendant l’exécution.
  • Le processeur : réalise les opérations de calcul.

Ces trois ressources ont des fonctions différentes et complémentaires.

8. Une IA locale fonctionne-t-elle sans Internet ?

Oui, dans certaines conditions.

Une fois le logiciel, le modèle et les dépendances nécessaires installés, de nombreuses tâches peuvent être exécutées sans connexion Internet.

Mais cela dépend de l’architecture réelle de l’application.

8.1. Ce qui peut fonctionner hors ligne

  • Générer du texte avec un modèle local compatible.
  • Résumer un document fourni localement.
  • Reformuler ou traduire du contenu avec un modèle adapté.
  • Analyser certaines données sans service externe.

8.2. Ce qui peut nécessiter une connexion

  • Télécharger le modèle initialement.
  • Installer ou mettre à jour des composants.
  • Consulter des ressources Internet.
  • Utiliser un service de reconnaissance ou de traitement distant.
  • Activer certaines fonctions dépendant d’un compte ou d’une API.
Nuance importante

Une application peut combiner un modèle local avec des services distants. Dans ce cas, il faut examiner séparément le lieu d’exécution du modèle, les fonctions réseau et le traitement des données.

9. L’exécution locale protège-t-elle automatiquement les données ?

Le traitement local peut réduire la nécessité de transmettre des informations à un prestataire externe.

C’est un avantage potentiel important, notamment pour certains documents internes ou usages personnels.

Mais la confidentialité ne dépend pas uniquement de l’emplacement du modèle.

9.1. Les risques qui subsistent

  • Une application peut envoyer des données de télémétrie.
  • Des historiques peuvent être enregistrés sans protection suffisante.
  • Un logiciel malveillant peut accéder aux fichiers locaux.
  • Une interface réseau mal configurée peut exposer le service.
  • Des sauvegardes automatiques peuvent transférer des données vers le cloud.

9.2. Les premières précautions

Avant de traiter des informations sensibles, il convient de vérifier les fonctions réseau, les permissions de l’application, l’emplacement des fichiers et les règles de sécurité applicables.

Dans une organisation, il faut également respecter les politiques internes et les obligations relatives à la protection des données.

Une erreur fréquente

« Le modèle est installé sur mon ordinateur, donc aucune donnée ne peut sortir. » Cette affirmation est fausse sans vérification. Un modèle local peut être intégré dans une application qui communique avec des services externes.

10. Quels types de modèles peut-on exécuter localement ?

L’IA locale ne se limite pas aux assistants conversationnels.

Modèles de langage

Production, reformulation, classification ou résumé de textes.

Modèles de reconnaissance vocale

Transcription de paroles en texte à partir d’enregistrements audio.

Modèles de vision

Analyse d’images, identification d’éléments visuels ou extraction d’informations.

Modèles génératifs d’images

Création d’images à partir de descriptions textuelles ou de références visuelles.

Chaque famille de modèles présente des besoins logiciels et matériels différents.

Dans ce chapitre, les exemples pratiques porteront principalement sur les modèles de langage locaux.

11. Découvrir les outils d’exécution locale

Pour utiliser un modèle local, il faut généralement installer un environnement compatible.

Deux outils fréquemment employés pour les modèles de langage sont Ollama et LM Studio.

11.1. Ollama

Ollama permet notamment de télécharger et d’exécuter des modèles compatibles, de les utiliser depuis un terminal et d’y accéder au moyen d’une interface de programmation locale.

Il convient à des usages d’expérimentation et d’intégration dans d’autres applications.

11.2. LM Studio

LM Studio propose une interface graphique permettant de rechercher, télécharger et utiliser des modèles compatibles.

Il facilite notamment les échanges avec un modèle local sans imposer systématiquement l’utilisation d’une ligne de commande.

CritèreOllamaLM Studio
Approche principale Gestion et exécution de modèles avec commandes et API. Utilisation via une interface graphique et fonctions de serveur local.
Conversation Possible directement ou via une interface compatible. Interface conversationnelle intégrée.
Intégration API locale disponible. Fonctions de serveur local selon les versions.
Installation des modèles Téléchargement de modèles compatibles. Recherche et téléchargement de modèles compatibles.

Les fonctionnalités exactes évoluent avec les versions. Les cours 07 et 08 présenteront ces outils plus en détail.

12. Exemple concret : utiliser un assistant sans service distant

Imaginons une personne souhaitant reformuler des notes personnelles sans les transmettre à un assistant hébergé sur Internet.

12.1. Le besoin

Elle dispose d’un ordinateur et souhaite produire des résumés à partir de textes qu’elle rédige elle-même.

12.2. La solution envisagée

Elle installe un environnement d’exécution local et télécharge un modèle de langage compatible avec les ressources de son appareil.

12.3. Le fonctionnement

1
Installer le logiciel

Choisir un moteur d’inférence compatible avec le système d’exploitation.

2
Télécharger le modèle

Récupérer un modèle dont la taille et la licence conviennent à l’utilisation envisagée.

3
Charger le modèle

Permettre au logiciel d’utiliser les paramètres du modèle dans la mémoire disponible.

4
Soumettre une demande

Fournir un texte et demander un résumé ou une reformulation.

5
Vérifier le résultat

Comparer la réponse au texte initial et corriger les éventuelles erreurs.

Voici un texte de travail. Résume-le en cinq points maximum. Conserve les informations importantes. N’ajoute aucune information absente du texte. Signale les passages qui semblent ambigus.

Ce prompt constitue un exemple de demande que l’on pourrait transmettre à un assistant local.

Il ne garantit pas que le résumé sera parfait : le résultat doit toujours être relu.

13. Reconnaître les fausses idées sur l’IA locale

AffirmationÉvaluationExplication
« Une IA locale fonctionne toujours sans Internet. » Inexact. Le modèle peut fonctionner hors ligne, mais certaines fonctionnalités peuvent dépendre du réseau.
« Il faut obligatoirement une carte graphique puissante. » Faux. Certains modèles peuvent fonctionner sur CPU, avec des performances variables.
« Télécharger un modèle revient à l’entraîner. » Faux. On utilise généralement un modèle déjà entraîné pour réaliser de l’inférence.
« Une IA locale est automatiquement confidentielle. » Faux. La confidentialité dépend de toute l’architecture logicielle et des protections mises en place.
« Une IA locale peut produire des erreurs. » Vrai. Les limites des modèles ne disparaissent pas lorsqu’ils sont exécutés localement.
« Une IA locale peut être utilisée par une application via une API. » Vrai. Certains moteurs exposent une interface de programmation accessible localement.

14. Méthode pour déterminer si une solution est réellement locale

Une application peut être présentée comme « locale » alors que certaines fonctions utilisent encore des services distants.

Pour comprendre son architecture, posez-vous les questions suivantes.

1
Où se trouve le modèle ?

Les fichiers du modèle sont-ils téléchargés sur l’appareil ou hébergés par un prestataire ?

2
Où sont réalisés les calculs ?

Le CPU ou le GPU local exécute-t-il effectivement l’inférence ?

3
Le réseau est-il indispensable ?

L’application peut-elle répondre à une demande lorsque la connexion Internet est coupée, une fois l’installation terminée ?

4
Quels services communiquent avec l’extérieur ?

Existe-t-il des fonctions de télémétrie, de synchronisation, de recherche ou de traitement distant ?

5
Où sont stockées les données ?

Les conversations et les fichiers restent-ils sur l’appareil ou sont-ils sauvegardés ailleurs ?

Un test hors ligne peut apporter un premier indice, mais il ne suffit pas à lui seul à prouver l’absence de toute communication réseau.

15. Mise en application guidée

Pour ce premier cours, il n’est pas nécessaire d’installer un modèle.

L’objectif est de savoir analyser une situation et de reconnaître les composants d’une architecture locale.

Situation

Une petite association souhaite utiliser un assistant IA pour reformuler des documents internes.

Elle dispose d’un ordinateur et envisage de télécharger un modèle de langage.

Elle souhaite limiter les transmissions vers des services extérieurs.

Travail demandé

  1. Expliquez pourquoi l’exécution locale pourrait être pertinente dans ce contexte.
  2. Identifiez les trois éléments techniques indispensables au fonctionnement du modèle.
  3. Indiquez la différence entre télécharger le modèle et exécuter une requête.
  4. Expliquez pourquoi l’association doit vérifier les fonctions réseau de l’application.
  5. Citez deux limites possibles de cette solution.
Afficher une proposition de correction

1. Pertinence : l’exécution locale peut réduire la nécessité de transmettre les documents à un prestataire externe, sous réserve de vérifier le fonctionnement réel du logiciel.

2. Composants : il faut un modèle compatible, un moteur d’inférence et des ressources matérielles suffisantes. Une interface facilite l’utilisation.

3. Téléchargement et exécution : le téléchargement consiste à récupérer les fichiers du modèle. L’exécution consiste à charger les données nécessaires et à effectuer les calculs permettant de produire une réponse.

4. Réseau : certaines applications peuvent utiliser des services externes, même lorsque le modèle fonctionne localement. Les fonctions de synchronisation, de télémétrie ou de recherche doivent être examinées.

5. Limites : la mémoire disponible peut restreindre le choix des modèles, et les performances peuvent être insuffisantes pour certaines tâches. Les réponses peuvent également contenir des erreurs.

16. Glossaire essentiel

TermeDéfinition
IA locale Utilisation d’un modèle dont les calculs sont exécutés sur un appareil ou une infrastructure locale.
Modèle Système mathématique entraîné, comprenant notamment des paramètres utilisés pour produire des résultats.
Inférence Utilisation d’un modèle entraîné pour traiter une entrée et produire une sortie.
Moteur d’inférence Logiciel qui charge le modèle et réalise les opérations nécessaires à son exécution.
CPU Processeur généraliste effectuant les opérations de calcul.
GPU Processeur graphique pouvant accélérer certains calculs parallèles.
RAM Mémoire vive utilisée pendant l’exécution des programmes.
VRAM Mémoire graphique utilisée notamment par certains traitements exécutés sur GPU.
Token Unité numérique de représentation d’un élément de texte dans un modèle de langage.
API Interface de programmation permettant à des logiciels de communiquer entre eux.
Cloud Infrastructure informatique distante fournissant des ressources ou des services accessibles par réseau.

17. Questions fréquentes

Une IA locale est-elle forcément gratuite ?

Non. Certains modèles et outils sont disponibles gratuitement, mais d’autres sont soumis à des licences ou à des conditions particulières. L’électricité, le matériel et la maintenance représentent également des coûts.

Peut-on utiliser une IA locale sur un ordinateur portable ?

Oui, si les caractéristiques matérielles et logicielles sont compatibles avec le modèle choisi. Les performances dépendent notamment de la mémoire, du processeur et des possibilités d’accélération.

Faut-il savoir programmer ?

Non, pas nécessairement. Certains outils proposent des interfaces graphiques accessibles aux débutants. La programmation devient surtout utile pour automatiser des traitements ou intégrer le modèle à d’autres applications.

Une IA locale connaît-elle les dernières actualités ?

Pas automatiquement. Un modèle local ne dispose pas nécessairement d’informations récentes et ne consulte pas Internet sans outil supplémentaire. Il faut vérifier la date et la fiabilité des informations utilisées.

Peut-on utiliser un modèle local depuis plusieurs ordinateurs ?

Oui, lorsqu’un moteur d’inférence est installé sur une machine accessible par réseau et que sa configuration autorise les connexions. Cette architecture nécessite des protections adaptées.

Le modèle apprend-il automatiquement pendant les conversations ?

Non, en général. Une conversation peut modifier le contexte temporairement utilisé par le modèle, mais elle ne change pas automatiquement ses paramètres entraînés.

Une IA locale est-elle toujours plus rapide ?

Non. Un modèle distant exécuté sur une infrastructure puissante peut être beaucoup plus rapide qu’un modèle local sur un ordinateur limité. La rapidité dépend de nombreux facteurs.

À retenir

  • Exécuter un modèle en local signifie réaliser les calculs d’inférence sur un appareil ou une infrastructure locale.
  • Une installation locale repose sur un modèle, un moteur d’inférence et des ressources matérielles.
  • L’entraînement ajuste les paramètres du modèle ; l’inférence utilise ces paramètres pour produire un résultat.
  • Le CPU, le GPU, la RAM et la VRAM influencent les possibilités d’exécution.
  • Un modèle local peut fonctionner hors ligne lorsque toutes les dépendances nécessaires sont disponibles.
  • Le traitement local ne garantit pas automatiquement la confidentialité : les fonctions réseau et le stockage doivent être vérifiés.
  • Les réponses d’un modèle local peuvent contenir des erreurs et nécessitent une validation.
  • Des outils comme Ollama et LM Studio facilitent l’utilisation de modèles compatibles sur un ordinateur.
Vérifiez votre compréhension

Question 1 : Quelle est la différence principale entre une IA locale et une IA distante ?

Voir la réponse
La différence principale concerne le lieu des calculs. Une IA locale réalise l’inférence sur le matériel local, tandis qu’une IA distante exécute le modèle sur une infrastructure externe.

Question 2 : Quel est le rôle du moteur d’inférence ?

Voir la réponse
Il charge les données du modèle et effectue les opérations nécessaires pour traiter une entrée et produire une sortie.

Question 3 : Télécharger un modèle signifie-t-il l’entraîner ?

Voir la réponse
Non. Le téléchargement permet d’obtenir les fichiers d’un modèle généralement déjà entraîné. Son utilisation consiste principalement à effectuer de l’inférence.

Question 4 : Pourquoi une IA locale peut-elle fonctionner sans Internet ?

Voir la réponse
Parce que les calculs peuvent être réalisés directement sur l’appareil, lorsque le modèle, le logiciel et les dépendances nécessaires sont déjà installés.

Question 5 : Pourquoi une installation locale ne garantit-elle pas automatiquement la confidentialité ?

Voir la réponse
Parce que certaines applications peuvent encore transmettre des données, conserver des historiques non protégés ou exposer des services sur le réseau. L’ensemble de l’architecture doit être vérifié.
À suivre — Cours 02 Identifier les avantages et les limites d’une IA locale →

Découvrez dans quelles situations l’exécution locale constitue un choix pertinent et quels compromis techniques, économiques et organisationnels elle implique.