Résumé des données d'entraînement (AI Act)

Trame du résumé des contenus d'entraînement demandé aux fournisseurs de modèles d'IA à usage général (AI Act, article 53).

Artikel der KI-Verordnung : Article 53

Modèle et fournisseur

Nom du modèle d'IA à usage général, version, fournisseur.

Types de données

Textes, code, images, sons… et leur part approximative.

Principales sources

Grandes catégories de sources (sites web publics, données sous licence, données d'utilisateurs, données synthétiques).

Période de collecte

Dates de début et de fin de la collecte.

Respect du droit d'auteur

Comment les réserves de droits (opt-out) ont été prises en compte lors de la collecte.

Traitements appliqués

Filtrage, dédoublonnage, retrait de données personnelles ou de contenus illicites.

Langues

Principales langues représentées.

Geschätzte Kosten

Eingabe-Tokens pro Aufruf : ≈ 340

Nur Eingabekosten, ohne die Antwort des Modells. Öffentliche Standardpreise der Anbieter (Mistral AI, DeepSeek, OpenAI, Anthropic) von USD in Euro umgerechnet zum EZB-Kurs vom 29. September 2026. Schätzung: 1 Token ≈ 3,6 Zeichen.

Kennung

contextetech--resume-donnees-entrainement

Typ

AI-Act-Dossiers

Datei

resume-donnees-entrainement.md

Format

MD

Größe

852 Bytes

Kodierung

UTF-8

Geschätzte Tokens

≈ 227

Sprache

Französisch

Lizenz

MIT

Kommerzielle Nutzung

Erlaubt

Personenbezogene Daten

Keine

Version

1.0

Veröffentlicht am

1. Oktober 2026 um 18:55

Aktualisiert am

1. Oktober 2026 um 18:55

Speicherung

in der Datenbank

Nutzungen

0

Gefällt mir

0

resume-donnees-entrainement.md

# Résumé des données d'entraînement (AI Act)

Trame du résumé des contenus d'entraînement demandé aux fournisseurs de modèles d'IA à usage général (AI Act, article 53).

## Modèle et fournisseur

Nom du modèle d'IA à usage général, version, fournisseur.

## Types de données

Textes, code, images, sons… et leur part approximative.

## Principales sources

Grandes catégories de sources (sites web publics, données sous licence, données d'utilisateurs, données synthétiques).

## Période de collecte

Dates de début et de fin de la collecte.

## Respect du droit d'auteur

Comment les réserves de droits (opt-out) ont été prises en compte lors de la collecte.

## Traitements appliqués

Filtrage, dédoublonnage, retrait de données personnelles ou de contenus illicites.

## Langues

Principales langues représentées.

PEFT / Transformers

from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "undefined", device_map="auto")

config = LoraConfig(
    r=undefined, lora_alpha=undefined, lora_dropout=undefined,
    target_modules=[],
    task_type="CAUSAL_LM",
)
model = get_peft_model(model, config)
model.print_trainable_parameters()
# lr=undefined, epochs=undefined, batch=undefined, grad_acc=undefined, max_seq_len=undefined