Parler français à l’IA coûte jusqu’à 58 % plus cher (🎤 Thomas Serval, Baracoda)

Jérôme Colombain (0:00)

Monde numérique.

Thomas Serval (0:01)

Souvent en anglais, on a un token égale à un mot, alors qu'en général, en moyenne, en français, il faut deux tokens par mot. Et donc ça, ça explique en partie ce qu'on a trouvé dans notre étude, c'est qu'effectivement, le français est plus inefficace que l'anglais pour parler au grand modèle de langage.

Jérôme Colombain (0:27)

Parler français à une intelligence artificielle coûterait plus cher que lui parler en anglais. C'est ce qui ressort d'une étude signée Baracoda AI Labs, émanation de la société française Baracoda. Et oui, l'utilisation des modèles d'IA américains par des francophones, alors via les API pour être très précis, nécessiterait 31 à 58 % de tokens en plus par rapport à l'anglais. Donc évidemment, ça fait monter la facture. On en parle avec Thomas Serval, PDG de Baracoda. Salut Thomas. Bonjour. Merci d'être dans Monde Numérique. Alors, c'est une étude que vous avez faite au sein de Baracoda AI Labs.

Comment ça se fait que le français coûte plus cher que l'anglais ?

Comment ça marche ? Il va falloir expliquer un peu ce que sont les tokens, etc.

Thomas Serval (1:13)

Oui. Donc, on est devenu depuis cinq ans maintenant complètement addict à ces fameux modèles de langage et derrière les modèles de langage, il y a la langue. Et donc, en fait, pour qu'un ordinateur comprenne une langue, il a besoin de la découper en des petits morceaux qu'on appelle des tokens ou jetons.

C'est une notion qui existe depuis le début de la théorie de l'information et en fait, Baracoda et AI Labs, en regardant à nouveau d'où venaient ces modèles de langage, a trouvé quelque chose qu'on a oublié. C'est qu'effectivement, quand on entraîne des modèles de langage, on les entraîne dans un langage. Et donc, il y a une sorte de langage principal et compte tenu du léger décalage qu'on a en termes de puissance de frappe avec nos amis anglais et chinois, et bien, effectivement, le français, donc le français aujourd'hui, il est découpé d'une manière moins efficace par les Tokenizers, donc les outils à découper le langage pour qu'ils comprennent le langage de la machine, d'une manière moins efficace qu'il ne l'est en anglais ou en chinois.

Jérôme Colombain (2:18)

Parce qu'en fait, ces tokens, ils correspondent ni à des lettres, ni à des mots. C'est un truc un peu plus compliqué que ça.

Thomas Serval (2:24)

Oui, en fait, tout le problème dans les modèles de langage, c'est d'expliquer à la machine ce que c'est qu'une langue. Et donc, d'une langue à l'autre, on voit bien que l'allemand a des mots beaucoup plus longs, que le français a des déclinaisons, des verbes. L'anglais a plus de vocabulaire que le français. Donc, chaque langue, on revient à la base de la linguistique assez vieux, comme ça a plus de 100 ans, chaque langue a des caractéristiques qui lui sont propres. Et donc, il y a des langues qui se prêtent plus à être traduites en langage d'ordinateur et d'autres moins.

Le français, avec ses accents, avec ses accords plus ou moins standardisés, il est un peu moins docile que l'anglais. Et donc, pour donner des exemples très concrets, souvent en anglais, on a un token égale un mot, alors qu'en général, en moyenne, en français, il faut deux tokens par mot. Et donc, ça, ça explique en partie ce qu'on a trouvé dans notre étude, c'est qu'effectivement, le français est plus inefficace que l'anglais pour parler aux machines de... aux grands modèles de langage.

Jérôme Colombain (3:29)

Bon, on pourrait en être fier en disant que le français est une langue plus riche, mais le problème, c'est que... il faut être riche, du coup, pour utiliser des IA en français, c'est ça ? Ça revient plus cher ?

Thomas Serval (3:39)

Alors, l'exemple qui est aussi intéressant, c'est le chinois, pour lequel chaque caractère est un mot. Donc, en fait, on pourrait se dire que le chinois, qui finalement, chaque caractère chinois égale un token, est encore plus efficace que l'anglais. Ce n'est pas ce qu'on observe dans l'étude qu'on a publiée. Vous observez que le chinois, il est très efficace sur les modèles chinois. Mais il est, en exemple, par exemple, sur un modèle américain, le chinois, il est aussi pas très efficace et moins efficace que l'anglais. Ça veut dire qu'il y a une deuxième dimension qui arrive, qui est la qualité du corpus d'entraînement. Sur combien de phrases de chinois, ou sur combien de phrases d'anglais, ou sur combien de textes d'anglais, j'ai entraîné mon modèle.

Et donc là également, l'internet chinois est très gros, et donc les chinois ont un immense corpus de 1 milliard, 300 millions de consommateurs en chinois, et donc ça leur permet d'entraîner sur leur langue leur modèle extrêmement efficacement. Et l'internet est largement anglo-saxon, parce qu'ils en ont été les pionniers, ils ont digitalisé beaucoup plus de choses. Et donc également les corpus d'entraînement, et donc tout ce qui est mis à la disposition des modèles pour apprendre l'anglais est bien meilleur que ce qui est mis à disposition en français, toutes choses égales par ailleurs. Et donc on voit bien que les Américains, ils s'entraînent plus facilement dans leur langue naturelle, la langue maternelle que dans des langues étrangères.