{"id":2325,"date":"2025-04-17T15:11:13","date_gmt":"2025-04-17T15:11:13","guid":{"rendered":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/2025\/04\/17\/wikipedia-ouvre-un-acces-structure-a-ses-donnees-pour-entrainer-des-modeles-dia\/"},"modified":"2025-04-17T15:11:13","modified_gmt":"2025-04-17T15:11:13","slug":"wikipedia-ouvre-un-acces-structure-a-ses-donnees-pour-entrainer-des-modeles-dia","status":"publish","type":"post","link":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/2025\/04\/17\/wikipedia-ouvre-un-acces-structure-a-ses-donnees-pour-entrainer-des-modeles-dia\/","title":{"rendered":"Wikip\u00e9dia ouvre un acc\u00e8s structur\u00e9 \u00e0 ses donn\u00e9es pour entra\u00eener des mod\u00e8les d\u2019IA"},"content":{"rendered":"<p>Wikip\u00e9dia ouvre un acc\u00e8s structur\u00e9 \u00e0 ses donn\u00e9es pour entra\u00eener des mod\u00e8les d\u2019IA<\/p>\n<div>\n<p>Wikimedia Enterprise a r\u00e9cemment publi\u00e9 un vaste jeu de donn\u00e9es structur\u00e9 de Wikip\u00e9dia sur Kaggle, la plateforme de data science appartenant \u00e0 Google. L\u2019objectif est de fournir aux chercheurs, d\u00e9veloppeurs et professionnels de l\u2019IA un acc\u00e8s propre, actualis\u00e9 et facilement exploitable aux contenus encyclop\u00e9diques. Une initiative qui r\u00e9pond aussi \u00e0 la pression croissante exerc\u00e9e par le scraping intensif des contenus de <em>\u00ab\u00a0l\u2019encyclop\u00e9die libre\u00a0\u00bb<\/em>.<\/p>\n<h2>Wikimedia Enterprise veut faciliter l\u2019acc\u00e8s aux donn\u00e9es de Wikip\u00e9dia pour l\u2019IA<\/h2>\n<p>Kaggle est une plateforme en ligne bien connue des data scientists, qui propose des comp\u00e9titions de machine learning, des jeux de donn\u00e9es ouverts et un environnement collaboratif pour le d\u00e9veloppement de mod\u00e8les d\u2019IA. En y mettant en ligne un important jeu de donn\u00e9es, Wikimedia Enterprise souhaite encourager les usages responsables et accessibles des contenus de Wikip\u00e9dia, mais \u00e9galement r\u00e9duire la charge importante qui p\u00e8se sur ses propres infrastructures.<\/p>\n<blockquote>\n<p>Cet ensemble simplifie l\u2019acc\u00e8s \u00e0 des donn\u00e9es d\u2019articles propres et pr\u00e9-analys\u00e9es, imm\u00e9diatement utilisables pour la mod\u00e9lisation, l\u2019analyse comparative, le fine-tuning et l\u2019analyse exploratoire, explique Wikimedia Enterprise.<\/p>\n<\/blockquote>\n<p>Cette annonce intervient en effet dans un contexte o\u00f9 l\u2019usage massif de Wikip\u00e9dia par les robots de scraping g\u00e9n\u00e8re un trafic consid\u00e9rable, parfois probl\u00e9matique. Et cette collecte de donn\u00e9es est souvent effectu\u00e9e par des acteurs dont le but est d\u2019entra\u00eener des mod\u00e8les de langage \u00e0 grande \u00e9chelle, sans forc\u00e9ment respecter les bonnes pratiques techniques ou \u00e9thiques. <em>\u00ab\u00a0Nous avons d\u00e9couvert qu\u2019au moins 65 % de ce trafic gourmand en ressources sur notre site provenait de bots\u00a0\u00bb<\/em>, expliquait d\u2019ailleurs Wikimedia d\u00e9but avril 2025, qui a \u00e9galement constat\u00e9, depuis janvier 2024, une augmentation de 50 % de la bande passante utilis\u00e9e pour le t\u00e9l\u00e9chargement de contenu depuis ses serveurs.<\/p>\n<h2>Un jeu de donn\u00e9es con\u00e7u pour l\u2019entra\u00eenement et l\u2019analyse des mod\u00e8les d\u2019IA<\/h2>\n<p>Le dataset mis \u00e0 disposition par Wikimedia contient une version compress\u00e9e et structur\u00e9e des contenus de Wikip\u00e9dia, actualis\u00e9e mensuellement. Il se concentre sur les versions anglaise et fran\u00e7aise de l\u2019encyclop\u00e9die, avec des m\u00e9tadonn\u00e9es enrichies (identifiants de pages, horodatage des versions, structures de sections, liens internes, etc.), au format JSON optimis\u00e9 pour l\u2019analyse automatis\u00e9e.<\/p>\n<blockquote>\n<p>Au lieu d\u2019extraire ou d\u2019analyser le texte brut des articles, les utilisateurs de Kaggle peuvent travailler directement avec des repr\u00e9sentations JSON bien structur\u00e9es du contenu Wikip\u00e9dia, ce qui est id\u00e9al pour l\u2019entra\u00eenement de mod\u00e8les, pr\u00e9cise Wikimedia Enterprise.<\/p>\n<\/blockquote>\n<p>Le jeu de donn\u00e9es contient, en outre, <em>\u00ab\u00a0des r\u00e9sum\u00e9s, des descriptions, des donn\u00e9es de type infobox, des liens d\u2019images et des sections d\u2019articles clairement segment\u00e9es\u00a0\u00bb<\/em>, \u00e0 l\u2019exclusion des \u00e9l\u00e9ments non textuels. De plus, le contenu est sous licence libre (Creative Commons et GFDL). Enfin, ce projet ne se limite pas \u00e0 une simple diffusion : il s\u2019accompagne d\u2019une documentation d\u00e9taill\u00e9e, d\u2019un d\u00e9p\u00f4t GitHub associ\u00e9 et d\u2019un forum communautaire sur Kaggle pour \u00e9changer autour des usages possibles.<\/p>\n<\/p><\/div>\n<p>www.blogdumoderateur.com<br \/>\nKhamallah Abdel khalik<br \/>\nhttps:\/\/le-publicitaire.fr<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Wikip\u00e9dia ouvre un acc\u00e8s structur\u00e9 \u00e0 ses donn\u00e9es pour entra\u00eener des mod\u00e8les d\u2019IA Wikimedia Enterprise a r\u00e9cemment publi\u00e9 un vaste jeu de donn\u00e9es structur\u00e9 de Wikip\u00e9dia sur Kaggle, la plateforme de data science appartenant \u00e0 Google. L\u2019objectif est de fournir aux chercheurs, d\u00e9veloppeurs et professionnels de l\u2019IA un acc\u00e8s propre, actualis\u00e9 et facilement exploitable aux&#8230;<\/p>\n","protected":false},"author":11,"featured_media":2326,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[273],"tags":[782,286,70,296,591,393,784,313,590,781,92,130,783,780],"class_list":["post-2325","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-abdel-khamallah-culture-web","tag-acces","tag-culture-web","tag-des","tag-developpement","tag-dia","tag-donnees","tag-entrainer","tag-ia","tag-modeles","tag-ouvre","tag-pour","tag-ses","tag-structure","tag-wikipedia"],"_links":{"self":[{"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/posts\/2325","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/comments?post=2325"}],"version-history":[{"count":0,"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/posts\/2325\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/media\/2326"}],"wp:attachment":[{"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/media?parent=2325"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/categories?post=2325"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/publietapub.le-publicitaire.fr\/index.php\/wp-json\/wp\/v2\/tags?post=2325"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}