Comment appelle-t-on ce matériel d'entraînement généré par l'IA ?

Les données synthétiques sont des données d'entraînement générées par des modèles d'IA ou des simulations informatiques, plutôt que collectées directement à partir d'écrits, d'images ou d'événements humains réels. À mesure que les laboratoires d'IA se heurtent de plus en plus aux limites de la quantité de texte humain récent et de qualité disponible pour l'entraînement, les données synthétiques offrent un moyen de combler ces lacunes, en particulier dans les domaines où les exemples réels sont rares, coûteux à réunir ou privés, permettant aux chercheurs de générer de grands volumes d'exemples d'entraînement supplémentaires et adaptés.

Les données ouvertes (« open-source ») désignent des informations ou du code librement accessibles à quiconque veut les utiliser ou les modifier, un concept de licence sans rapport avec le fait que le contenu ait été généré par une IA. Les métadonnées ne sont que des informations descriptives sur d'autres données, comme la date de création ou l'auteur d'un fichier, et non un contenu d'entraînement généré par un système d'IA lui-même.

Des chercheurs ont exprimé des inquiétudes quant au fait qu'entraîner de nouveaux modèles d'IA de façon trop intensive sur des données générées par d'anciens modèles d'IA, plutôt que sur du contenu réellement créé par des humains, peut progressivement dégrader la qualité et la diversité au fil des générations successives, un problème de boucle de rétroaction que les chercheurs ont surnommé « effondrement du modèle ».