Breizh-Info s’arrêtera le 31 décembre s’il manque 60 000 euros
Depuis 2013, vous lisez Breizh-Info gratuitement. Le journal ne vit que de ses lecteurs : sans votre soutien d’ici la fin de l’année, il n’y aura pas de Breizh-Info en 2027.
7 350 € réunis sur 60 000 € (12 %) — il manque encore 52 650 €.
Donner par PayPal
Virement ou chèque
Lire l’appel en entier
Chers lecteurs, chères lectrices,
Les caisses de Breizh-Info sont vides. Pour tenir une année de plus, il nous faut 60 000 euros avant le 31 décembre. Si cette somme n’est pas réunie, le site cessera de paraître, 13 ans après sa fondation.
Depuis 2013, Breizh-Info vous informe chaque jour, en accès libre : des articles, des enquêtes, des entretiens, une revue de presse quotidienne, et une voix bretonne qui dit ce que la presse installée tait ou travestit.
Pas un euro d’argent public
Pendant que les grands titres de la presse encaissent chaque année les aides publiques, Breizh-Info fonctionne sans subvention d’État, sans milliardaire actionnaire et sans la manne publicitaire des grands groupes. Cette indépendance a un prix : nous ne dépendons que de vous. Quand les dons ne suivent pas, personne ne vient combler le trou.
60 000 euros d’ici le 31 décembre
Cette somme correspond à une année de fonctionnement du journal, ni plus ni moins. Si chaque lecteur attend que les autres donnent, personne ne donnera. 2 minutes suffisent, ce soir plutôt que la semaine prochaine. 10 euros, 50 euros, 100 euros, 1 000 euros : chaque don compte. Et si vous le pouvez, optez pour un virement mensuel : c’est ce qui permet au journal de voir plus loin que le mois suivant.
Comment donner
PayPal : faire un don en ligne ([email protected])
Virement (mensuel si possible), à l’ordre de ASPA (pour Breizh Information)
IBAN : FR76 1220 6004 0056 0172 3120 604
BIC : AGRIFRPP822
Chèque à l’ordre de Breizh Information : BP 201, 29834 Karaez/Carhaix Cedex
On aime croire que les machines ne mentent pas. Mais avec l’IA, ce n’est pas si simple. Les modèles peuvent inventer des faits, déformer la réalité ou faire preuve de biais. Et surtout, ils ne disent jamais pourquoi. Ce n’est pas juste déroutant—c’est un vrai problème.
Une grande partie du souci vient de la manière dont ces modèles sont conçus. Tout est fait à huis clos, sur des données inconnues, avec des mécanismes qu’on ne peut pas consulter. C’est une boîte noire. Et une boîte noire, ça ne mérite pas la confiance.
deepseek prend une autre direction
Ce modèle mise sur la transparence. On peut retracer sa construction, comprendre son fonctionnement, et voir ce qu’il produit. Pas de promesses vagues. Pas de jargon marketing. Juste une IA ouverte et reproductible.
Données ouvertes, poids ouverts
La plupart des modèles d’IA gardent secrètes leurs données d’entraînement. Impossible de savoir ce qui les a influencés ni pourquoi ils donnent certaines réponses.
DeepSeek fait les choses autrement. Son équipe a publié les poids du modèle et sa structure. Même si tous les détails du jeu de données ne sont pas disponibles, cette ouverture marque une vraie différence.
La transparence des données n’est pas un luxe. C’est crucial. Quand on sait sur quoi un modèle s’est formé, on peut mieux comprendre ses réponses. C’est ce qui permet aux chercheurs de tester l’équité, détecter les biais, et évaluer les performances.
Ça permet aussi de reproduire les résultats. Pas besoin de deviner ce qui se passe en coulisse—on peut le prouver. Et en science, c’est fondamental.
DeepSeek soutient ce type de travail sérieux. Il met ses outils à disposition et dit clairement : « Regardez par vous-même. » C’est comme ça qu’on avance vraiment.
Une IA explicable commence par des modèles ouverts
Quand une IA répond, on doit pouvoir comprendre comment elle est arrivée à ce résultat. Pas deviner—comprendre. Mais cela n’est possible que si l’on peut explorer le système.
Avec DeepSeek, c’est faisable. Développeurs et chercheurs peuvent tester ses réactions, modifier les entrées, et suivre les résultats. Pour analyser l’équité ou la gestion des langues, on peut effectuer des comparaisons claires.
C’est comme ça qu’on repère les schémas, les forces, les faiblesses. Les modèles fermés ne permettent pas ce genre d’analyse. Ils donnent un résultat, mais pas le raisonnement derrière.
Les modèles ouverts facilitent l’évaluation. On peut tester différentes formulations, voir comment l’IA gère plusieurs langues, ou observer des cas particuliers. Ces tests répétés créent de la confiance—et cette confiance, c’est ce qui donne aux outils d’IA une vraie utilité.
DeepSeek offre ce que beaucoup ne proposent pas : la possibilité d’analyser, d’expérimenter, et de remettre en question ses réponses.
Usages éthiques et recherche
DeepSeek n’est pas réservé aux experts. On le retrouve dans les laboratoires, les universités, les rédactions, et les ONG.
Des équipes universitaires l’utilisent pour étudier le comportement des modèles. Elles testent la sensibilité aux prompts, cherchent des biais, et vérifient la cohérence des réponses. Comme le modèle est ouvert, elles peuvent répéter les tests, ajuster les paramètres, et publier des résultats solides.
Les organisations de la société civile l’utilisent aussi. Elles vérifient comment l’IA réagit à des termes sensibles, comment elle traite les questions liées à la race, au genre, ou à la politique.
Les journalistes et les analystes politiques s’en servent pour construire des outils, vérifier des affirmations, et produire des analyses plus solides—parce qu’ils ont accès à ce qu’ils utilisent.
Petit aperçu des utilisateurs de DeepSeek :
- Chercheurs : pour tester la logique du modèle et reproduire les résultats
- ONG et observateurs : pour auditer les biais et identifier les problèmes
- Journalistes : pour analyser les réponses IA et créer des outils transparents
- Politiques : pour appuyer des décisions fondées sur des tests concrets
Rien de tout ça n’est possible sans accès. DeepSeek le rend possible.
Contribution à l’écosystème IA ouvert
DeepSeek ne se contente pas d’exister. Il soutient un écosystème IA plus large et plus collaboratif.
En publiant son code et ses poids, il permet à d’autres de bâtir dessus, de le modifier ou de l’étudier. Les développeurs peuvent l’adapter à d’autres langues, tester de nouveaux cas, ou observer le comportement des grands modèles sans tout recommencer.
C’est l’inverse des systèmes fermés, qui bloquent la collaboration et ralentissent l’innovation. DeepSeek ouvre la porte, et ça change tout.
Sa licence joue aussi un rôle. Les ONG, enseignants, ou associations peuvent l’utiliser sans barrières, sans négociation ni coûts excessifs. Pour les petites équipes à impact limité, ça fait toute la différence.
Concrètement, cela veut dire :
- Développement plus rapide
- Moins de coûts pour les structures publiques ou associatives
- Accès élargi à des publics souvent exclus
Ce n’est pas l’ouverture pour le principe. C’est l’ouverture pour que le travail avance.
Défis à relever
Même les modèles ouverts ont leurs limites. DeepSeek n’échappe pas à la règle.
La documentation reste à améliorer. Si les instructions sont floues ou les données mal expliquées, cela complique la tâche. Tout le monde n’a pas le temps ni les moyens de décoder seul.
Autre problème : le matériel. Faire tourner un grand modèle demande de la puissance. Tout le monde n’a pas accès aux bons outils. Cela freine les petites structures qui pourraient pourtant faire des choses utiles.
Et enfin, il y a le risque de mauvais usage. Donner l’accès à tous, c’est aussi prendre le risque de voir certains s’en servir pour générer de la désinformation ou du contenu nuisible.
C’est là que la communauté a un rôle. Quand les utilisateurs signalent les abus, corrigent les erreurs, ou partagent leurs améliorations, le modèle devient plus robuste—et plus sûr.
Conclusion
À une époque où les modèles fermés dominent, deepseek prend une position claire. Il ne cache pas ses mécanismes. Il ne demande pas une confiance aveugle. Il donne les moyens de vérifier.
Et ça change tout. Parce que la transparence, ce n’est pas une promesse. C’est un engagement.
