L’IA qui s’auto-alimente : un cas d’usage entre créativité, éthique et impact environnemental

Tout est parti d’un épisode du podcast underscore, qui abordait une idée aussi fascinante qu’inquiétante : et si l’intelligence artificielle pouvait se nourrir de ses propres créations ? Autrement dit, générer des données qu’elle utiliserait ensuite pour s’entraîner... et ainsi potentiellement se renforcer – ou se biaiser – en boucle.

Ce concept, nous l’avons expérimenté. Concrètement.

Lors du Géniathon organisé par Eugenia School pour la startup BINKO, nous avions un défi passionnant à relever : aider à la création d’une IA qui permet de faire un tri automatiques des déchets.

Avec mon équipe nous avons décroché la 2ᵉ place du concours 🥈

Le défi technique

Notre mission :

• Générer des images de déchets réalistes grâce à un modèle de diffusion (Leonardo AI)
• Utiliser ces images pour entraîner un modèle de classification supervisée, capable de reconnaître et trier les déchets automatiquement. (Attention, nous n’étions que fournisseurs d’images de haute qualité, nous n’entraînions pas le modèle)

En résumé : une IA (générative) crée des données synthétiques… pour nourrir une autre IA (classificatrice).

On touche ici à un phénomène encore peu exploité, mais au potentiel immense : l’IA qui s’auto-alimente.

Nos choix technos et méthodologiques

Au-delà du prompt engineering

Plutôt que de passer des heures à peaufiner des prompts, nous avons opté pour une approche image-to-image via l’API de Leonardo.Ai. Résultat :

• Des images de déchets plus réalistes, plus variées
• Un dataset plus robuste pour le modèle de classification car on met fin à la grande part d’aléatoire en IA !

Une interface simple, pour un usage terrain

Grâce à Gradio (librairie python) nous avons conçu une application intuitive qui permet :

• de prendre une photo d’un déchet 📸
• de générer instantanément 100 images similaires