Depuis plusieurs décennies maintenant, les logiciels les plus innovants émergent toujours du monde du logiciel open source. Ce n’est pas différent avec l’apprentissage automatique et les grands modèles de langage. Au contraire, l’écosystème open source est devenu plus riche et plus complexe, car il existe désormais des modèles open source pour compléter le code open source.
Pour cet article, nous avons rassemblé certains des projets les plus intrigants et utiles en matière d’IA et d’apprentissage automatique. Beaucoup d’entre eux sont des projets de fondation, entretenant leur propre écologie de niche de plugins et d’extensions open source. Une fois que vous avez commencé le projet de base, vous pouvez continuer à ajouter d’autres pièces.
La plupart de ces projets proposent du code de démonstration, vous pouvez donc démarrer une version en cours d’exécution qui s’attaque déjà à une tâche de base. De plus, les entreprises qui construisent et entretiennent ces projets vendent souvent un service en parallèle. Dans certains cas, ils déploieront le code pour vous et vous éviteront d’avoir à le faire fonctionner. Dans d’autres, ils vendront des modules complémentaires et des modifications personnalisés. Le code lui-même est toujours ouvert, il n’y a donc pas de verrouillage du fournisseur. Les services facilitent simplement l’adoption du code en payant quelqu’un pour l’aider.
Voici 16 projets open source que les développeurs peuvent utiliser pour libérer le potentiel de l’apprentissage automatique et des grands modèles de langage de toute taille, de petite à grande, et même très grande.
Compétences des agents
Les agents de codage d’IA sont souvent utilisés pour effectuer des tâches standard telles que l’écriture de composants React ou la révision de parties de l’interface utilisateur. Si vous écrivez un agent de codage, il est logique d’utiliser des solutions approuvées et axées sur la tâche à accomplir. Les compétences d’agent sont des outils précodés que votre IA peut déployer selon ses besoins. Le résultat est un ensemble ciblé d’opérations vérifiées capables de produire un code raffiné et utile qui respecte les directives standard. Licence : MIT.
Superbes applications LLM
Si vous recherchez de bons exemples de codage agent, consultez la collection Awesome LLM Apps. Actuellement, le projet héberge plusieurs dizaines d’applications qui exploitent une combinaison de bases de données RAG et de LLM. Certains sont simples, comme un générateur de mèmes, tandis que d’autres gèrent des recherches plus approfondies comme l’agent journaliste. Les exemples les plus complexes déploient des équipes multi-agents pour converger vers une réponse. Chaque application est accompagnée d’exemples concrets d’expérimentation, afin que vous puissiez tirer les leçons de ce qui a réussi dans le passé. Dans l’ensemble, les applications de cette collection sont une excellente source d’inspiration pour vos propres projets. Licence : Apache 2.0.
Bifrost
Si votre candidature nécessite l’accès à un service LLM et que vous n’en avez pas en particulier en tête, consultez Bifrost. Passerelle rapide et unifiée vers plus de 15 fournisseurs LLM, cette API compatible OpenAI élimine rapidement les différences entre les modèles, y compris tous les principaux. Il comprend des fonctionnalités essentielles telles que la gouvernance, la mise en cache, la gestion budgétaire, l’équilibrage de charge, et dispose de garde-fous pour détecter les problèmes avant qu’ils ne soient envoyés aux fournisseurs de services, qui vous factureront simplement le temps passé. Avec des dizaines d’excellents fournisseurs LLM annonçant constamment de nouveaux et meilleurs modèles, pourquoi vous limiter ? Licence : Apache 2.0.
Claude Code
Si la popularité des assistants de codage d’IA nous dit quelque chose, c’est que tous les développeurs, et pas seulement ceux qui créent des applications d’IA, apprécient un peu d’aide pour rédiger et réviser leur code. Claude Code est ce programmeur en binôme. Formé sur tous les principaux langages de programmation, Claude Code peut vous aider à écrire du code meilleur, plus rapide et plus propre. Il digère une base de code puis commence à exécuter vos enchères, tout en faisant des suggestions utiles. Des commandes en langage naturel et quelques vagues signes de la main sont tout ce dont Anthropic LLM a besoin pour refactoriser, documenter ou même ajouter de nouvelles fonctionnalités à votre code existant. Licence : Conditions d’utilisation commerciales d’Anthropic.
Robot Clawd
De nombreux outils de cette liste aident les développeurs à créer du code pour d’autres personnes. Clawdbot est l’assistant IA pour vous, la personne qui écrit le code. Il s’intègre à votre bureau pour contrôler les outils intégrés comme l’appareil photo et les grandes applications comme le navigateur. Une boîte de réception multicanal accepte vos commandes via plus d’une douzaine de canaux de communication différents, notamment WhatsApp, Telegram, Slack et Discord. Une tâche cron ajoute du timing. C’est votre assistant ultime, le maître de vos données. Si l’IA existe pour nous faciliter la vie, pourquoi ne pas commencer par organiser les applications sur votre bureau ? Licence : MIT.
Difier
Pour les projets qui nécessitent plus d’un simple appel à un LLM, Dify pourrait être la solution que vous recherchiez. Essentiellement un environnement de développement pour créer des flux de travail agents complexes, Dify rassemble des LLM, des bases de données RAG et d’autres sources. Il surveille ensuite leurs performances sous différentes invites et paramètres et rassemble le tout dans un tableau de bord pratique, afin que vous puissiez parcourir les résultats. Le développement de l’IA agentique nécessite une expérimentation rapide, et Dify fournit l’environnement nécessaire à ces expériences. Licence : version modifiée d’Apache 2.0 pour exclure certaines utilisations commerciales.
Eigent
La meilleure façon d’explorer la puissance et les limites d’un workflow agent est de le déployer vous-même sur votre propre machine, où il pourra résoudre vos propres problèmes. Eigent met à disposition une main-d’œuvre d’agents spécialisés pour gérer des tâches telles que l’écriture de code, la recherche sur le Web et la création de documents. Il vous suffit d’agiter la main et de donner des instructions, et les LLM d’Eigent font de leur mieux pour les suivre. De nombreuses startups se vantent de manger leur propre nourriture pour chiens. Eigent met ce concept sur un plateau, permettant aux développeurs d’IA de découvrir directement les capacités et les échecs des LLM qu’ils construisent. Licence : Apache 2.0.
Hauteur sous plafond
Les programmeurs pensent souvent comme des packrats. Si les données sont bonnes, pourquoi ne pas en ajouter davantage ? Il s’agit d’un défi pour le code qui utilise un LLM car ces services facturent au jeton et ont également une fenêtre de contexte limitée. Headroom résout ce problème avec des algorithmes de compression agiles qui éliminent les excès, en particulier les étiquettes et la ponctuation supplémentaires trouvées dans les formats courants comme JSON. Une grande partie de la conception d’applications d’IA fonctionnelles repose sur l’ingénierie des coûts, et économiser des jetons signifie économiser de l’argent. Licence : Apache 2.0.
Transformateurs de visage câlins
Lorsqu’il s’agit de démarrer un tout nouveau projet d’apprentissage automatique, Hugging Face Transformers est l’une des meilleures bases disponibles. Transformers propose un format standard pour définir la façon dont le modèle interagit avec le monde, ce qui facilite l’insertion d’un nouveau modèle dans votre infrastructure de travail pour la formation ou le déploiement. Cela signifie que votre modèle interagira parfaitement avec tous les outils et infrastructures déjà disponibles, que ce soit pour le texte, la vision, l’audio, la vidéo ou tout ce qui précède. L’intégration dans un paradigme standard permet d’exploiter beaucoup plus facilement vos outils existants tout en vous concentrant sur l’avant-garde de votre recherche. Licence : Apache 2.0.
LangChaîne
Pour les solutions d’IA agentique qui nécessitent des itérations sans fin, LangChain est un moyen d’organiser l’effort. Il exploite le travail d’une vaste collection de modèles et permet aux humains d’inspecter et de trier plus facilement les réponses. Lorsque la tâche nécessite une réflexion et une planification plus approfondies, LangChain facilite la collaboration avec des agents capables d’exploiter plusieurs modèles pour converger vers une solution. L’architecture de LangChain comprend un framework (LangGraph) pour organiser des flux de travail facilement personnalisables avec une mémoire à long terme, et un outil (LangSmith) pour évaluer et améliorer les performances. Sa bibliothèque Deep Agents fournit des équipes de sous-agents, qui organisent les problèmes en sous-ensembles, puis planifient et travaillent à la recherche de solutions. Il s’agit d’un banc d’essai éprouvé et flexible pour l’expérimentation agentique et le déploiement en production. Licence : MIT.
LamaIndex
La plupart des premières applications des LLM trient de vastes collections de données semi-structurées et fournissent aux utilisateurs des réponses utiles à leurs questions. L’un des moyens les plus rapides de personnaliser un LLM standard avec des données privées consiste à utiliser LlamaIndex pour ingérer et indexer les données. Cet outil prêt à l’emploi fournit des connecteurs de données que vous pouvez utiliser pour décompresser et organiser une vaste collection de documents, de tableaux et d’autres données, souvent avec seulement quelques lignes de code. Les couches situées en dessous peuvent être modifiées ou étendues selon les besoins du travail, et LlamaIndex fonctionne avec de nombreux formats de données courants dans les entreprises. Licence : MIT.
Ollama
Pour tous ceux qui expérimentent les LLM sur leur ordinateur portable, Ollama est l’un des moyens les plus simples d’en télécharger un ou plusieurs et de commencer. Une fois installée, votre ligne de commande devient une petite version de l’interface ChatGPT classique, mais avec la possibilité d’extraire une énorme collection de modèles à partir d’une bibliothèque croissante d’options open source. Entrez simplement : ollama run et le modèle est prêt à partir. Certains développeurs l’utilisent comme serveur back-end pour les résultats LLM. L’outil fournit une interface stable et fiable aux LLM, ce qui nécessitait autrefois un peu d’ingénierie et de tracas. Le serveur simplifie tout ce travail afin que vous puissiez vous attaquer à des tâches de niveau supérieur avec à portée de main la plupart des LLM open source les plus populaires. Licence : MIT.
Ouvrir l’interface Web
L’un des moyens les plus rapides de créer un site Web avec une interface de discussion et une base de données RAG dédiée consiste à créer une instance d’OpenWebUI. Ce projet associe un frontal riche en fonctionnalités à un back-end ouvert, de sorte que le démarrage d’une interface de discussion personnalisable ne nécessite que l’extraction de quelques conteneurs Docker. Le projet n’est cependant qu’un début, car il offre la possibilité d’ajouter des plugins et des extensions pour améliorer les données à chaque étape. Pratiquement chaque élément de la chaîne, de l’invite à la réponse, peut être modifié, remplacé ou amélioré. Bien que certaines équipes puissent être heureuses de le configurer et de le faire, les avantages viennent de l’ajout de votre propre code. Le projet n’est pas seulement open source lui-même, mais une constellation de centaines de petits morceaux de code contribué et de projets auxiliaires qui peuvent être très utiles. La possibilité de personnaliser le pipeline et d’exploiter le protocole MCP permet de fournir des solutions de précision. Licence : BSD modifié conçu pour restreindre la suppression de la marque OpenWebUI sans licence d’entreprise.
Sim
Le canevas glisser-déposer pour Sim est destiné à faciliter l’expérimentation des flux de travail agents. L’outil gère les détails de l’interaction avec les différents LLM et bases de données vectorielles ; vous décidez simplement comment les assembler. Des interfaces comme Sim rendent l’expérience agent accessible à tous les membres de votre équipe, même à ceux qui ne savent pas écrire du code. Licence : Apache 2.0.
Paresseux
L’un des moyens les plus simples d’exploiter la puissance des LLM fondamentaux est de commencer avec un modèle open source et de l’affiner avec vos propres données. Unsloth le fait, souvent plus rapidement que d’autres solutions. La plupart des principaux modèles open source peuvent être transformés grâce à l’apprentissage par renforcement. Unsloth est conçu pour fonctionner avec la plupart des précisions standards et certaines des plus grandes fenêtres contextuelles. Les meilleures réponses ne proviendront pas toujours directement des bases de données RAG. Parfois, ajuster les modèles est la meilleure solution. Licence : Apache 2.0.
vLLM
L’un des meilleurs moyens de transformer un LLM en un service utile pour le reste de votre code est de le démarrer avec vLLM. L’outil charge de nombreux modèles open source disponibles à partir de référentiels comme Hugging Face, puis orchestre les flux de données afin qu’ils continuent de fonctionner. Cela signifie regrouper les invites entrantes et gérer les pipelines afin que le modèle soit une source continue de réponses rapides. Il prend en charge non seulement l’architecture CUDA, mais également les processeurs et GPU AMD, les processeurs et GPU Intel, les processeurs PowerPC, les processeurs Arm et les TPU. C’est une chose d’expérimenter de nombreux modèles sur un ordinateur portable. C’est tout autre chose de déployer le modèle dans un environnement de production. vLLM gère de nombreuses tâches sans fin qui offrent de meilleures performances. Licence : Apache-2.0.
