Trophée de la meilleure action en duo
Unis pour l’excellence : vous êtes une entreprise et un établissement d’enseignement supérieur, tous deux désireux de tirer parti de vos expertises et de vos ressources communes pour enrichir les programmes académiques, offrir des opportunités d'apprentissage ou de découverte aux étudiants. Déposez vos initiatives/actions exceptionnelles en duo !
Participation
individuelle
Modèles Flantier
Racine.ai et l’ECE Intelligence Lab développent Flantier-SmolVLM, un modèle IA multimodal open-source. Via des datasets OGC innovants, ils contribuent à la souveraineté européenne, formant des étudiants pour des solutions IA éthiques et compétitives.
Documents
Modèles Flantier
Résumé
Racine.ai et l’ECE Intelligence Lab développent Flantier-SmolVLM, un modèle IA multimodal open-source. Via des datasets OGC innovants, ils contribuent à la souveraineté européenne, formant des étudiants pour des solutions IA éthiques et compétitives.
Nom de votre duo : entreprise / école
Racine.ai & Intelligence Lab by ECE
Qui est le public concerné par cette action ?
Étudiants, entreprises, chercheurs, institutions européennes
Description de votre action (objectifs, cibles, résultats)
Lancée lors de l’inauguration de l’Intelligence Lab de l’ECE le 18 mars 2025, l’initiative Racine.ai Flantier, en collaboration avec l’ECE et MBDA, vise à renforcer la souveraineté européenne en IA via des modèles multimodaux open-source. L’objectif est de former des étudiants à créer des solutions IA compétitives, éthiques et autonomes, tout en réduisant la dépendance aux technologies non-européennes. Ciblant étudiants, entreprises et chercheurs, le projet s’appuie sur le modèle SmolVLM de Hugging Face, fine tuné avec les datasets OGC (Organized Grouped Cleaned). Ces datasets totalisant 1 million de lignes open-source sous licence Apache-2.0. Ces datasets, spécialisés pour des secteurs clés (défense, énergie), optimisent l’entraînement pour des tâches comme la récupération image-texte. Un dataset spécifiquement sur de l'OCR dégradé de 25 000 lignes a été rajouté pour simuler des conditions réelles. Les résultats sont probants : le modèle Flantier-SmolVLM-2B atteint 76,7 % de précision sur le Racine.ai Open VLM Leaderboard, rivalisant avec des modèles chinois (Qwen, 86 %), Pour les requêtes en anglais, le modèle atteint même 82,2% de précision moyenne avec une pointe à 88,7% sur certaines tâches. Le projet promeut un écosystème collaboratif via des ressources ouvertes sur Hugging Face, encourageant l’innovation européenne. Le projet a également développé des datasets sectoriels spécifiques comme OGC_Military (160 000 lignes), l'un des plus grands datasets militaires open-source disponibles, ainsi que OGC_Energy, OGC_Geotechnie et OGC_Hydrogen, tous sous licence Apache-2.0 (plus de 1000 téléchargements en 20 jours). Cette initiative s'inscrit dans une vision à long terme avec trois axes de développement identifiés : l'expansion de la couverture linguistique des datasets OGC, l'optimisation architecturale pour réduire les coûts d'inférence, et l'établissement de partenariats académiques et industriels pour élargir la collecte et la validation des données.
Documents & Photos présentant votre action (9 max)
Non réponduVidéo présentant votre action (max 100 mo)
Non réponduLien vers votre action
https://huggingface.co/blog/paulml/racineai-flantier-eu-sovereignty
Quels éléments innovants ou différenciants ont été intégrés à l’action pour maximiser son efficacité et son attractivité ? (Critères : format, activités, outils numériques, partenariats)
L'initiative Flantier se distingue par la création de datasets OGC spécialisés pour des secteurs stratégiques comme la défense et l'énergie. L'innovation réside dans l'optimisation des processus de prétraitement des données sur CPU plutôt que GPU,
Quel était l’objectif de l’entreprise ?
L'entreprise cherchait à démontrer qu'un modèle open-source européen (SmolVLM) pouvait atteindre des performances comparables aux modèles chinois leaders comme Qwen grâce à une curation rigoureuse des données et un fine-tuning optimisé
Quel était l’objectif de l’école ?
L'objectif était de permettre aux étudiants de participer à un projet concret de recherche et développement en IA avec des applications industrielles réelles, notamment dans les secteurs stratégiques.
Quels sont les éléments clés de la co-construction de cette action ?
La co-construction s'articule autour d'une synergie entre l'expertise industrielle de Racine.ai et les compétences académiques de l'Intelligence Lab de l'ECE
Pour revenir à la liste globale, cliquez sur la croix en haut à droite