Les modèles linguistiques à grande échelle (LLM), comme GPT ou Llama, impulsent des innovations exceptionnelles en intelligence artificielle, mais les recherches visant à améliorer leur explication et leur fiabilité sont freinées par des besoins énormes en ressources informatiques pour analyser et ajuster leur comportement. Pour relever ce défi, une équipe de recherche de l’Université de Manchester, dirigée par le Dr Danilo S. Carvalho et le Dr André Freitas, a conçu de nouveaux cadres logiciels — LangVAE et LangSpace — capables de réduire de plus de 90 % les besoins en ressources matérielles et énergétiques liés au contrôle et aux tests des LLM, en vue de construire une IA explicable. Leur méthode repose sur la création de représentations compressées du langage issues des LLM, permettant d’interpréter et de contrôler ces modèles à l’aide de méthodes géométriques. En traitant les motifs internes du langage comme des points et des formes dans un espace mesurable, il devient possible de les comparer, analyser et ajuster sans modifier les modèles eux-mêmes. Cette approche permet une compréhension plus fine du fonctionnement interne des LLM tout en préservant leur performance. Grâce à cette innovation, les coûts et la complexité des expérimentations en IA explicable sont considérablement réduits. Cette avancée abaisse ainsi les barrières d’accès à la recherche en IA contrôlable et transparente, rendant ces outils accessibles à un plus grand nombre de chercheurs, de start-ups et d’équipes industrielles. Le Dr Carvalho souligne : « Nous avons nettement réduit les obstacles à l’expérimentation et au développement d’IA explicable et contrôlable. Nous espérons également diminuer l’impact environnemental de ces recherches, qui sont souvent très gourmandes en énergie. » L’objectif ultime de l’équipe est d’accélérer le déploiement d’IA fiable et digne de confiance, notamment dans des domaines critiques comme la santé, où la transparence et la fiabilité des décisions algorithmiques sont essentielles.