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).

Articles de l'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.

Coût estimé

Tokens d'entrée par appel : ≈ 340

Coût d'entrée seulement, sans la réponse du modèle. Prix publics des fournisseurs (Mistral AI, DeepSeek, OpenAI, Anthropic), tarif standard en dollars converti en euros au taux BCE du 29 septembre 2026. Estimation : 1 token ≈ 3,6 caractères.

Identifiant

contextetech--resume-donnees-entrainement

Type

Dossiers AI Act

Fichier

resume-donnees-entrainement.md

Format

MD

Taille

852 octets

Encodage

UTF-8

Tokens estimés

≈ 227

Langue

Français

Licence

MIT

Usage commercial

Autorisé

Données personnelles

Aucune

Version

1.0

Publié le

1 octobre 2026 à 18:55

Mis à jour le

1 octobre 2026 à 18:55

Stockage

en base

Utilisations

0

J'aime

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