Science ouverte et IA : comprendre le projet ProtoStar
Découvrez comment ProtoStar veut rendre les données scientifiques publiques réutilisables par l’IA, grâce à des formats documentés et des défis concrets.
ProtoStar : comment rendre la science publique vraiment exploitable par l'IA
Les recherches financées sur fonds publics produisent des données, des modèles et du code qui pourraient servir à de nouveaux travaux. Mais les rendre accessibles ne suffit pas : une donnée publiée dans un format pénible à lire, sans documentation ni contexte, reste difficile à réutiliser — par un autre laboratoire comme par un système d'intelligence artificielle.
C'est précisément le genre de problème que vise Project ProtoStar. L'initiative rassemble des universités, des organisations de recherche, des acteurs du numérique et la communauté de la science ouverte. Son but est simple : publier des ressources scientifiques dans des formats que les humains comme les machines peuvent repérer, comprendre et réutiliser. Le projet prévoit aussi des défis ouverts pour tester, concrètement, ce que ces ressources permettent de faire.
Le premier défi, porté par l'université Carnegie Mellon, se concentre sur le risque climatique en ville. Il invite les équipes à évaluer des prédictions à partir de données météorologiques historiques, puis à relier leurs résultats à une proposition d'adaptation. Voici ce que ProtoStar cherche à changer, comment le dispositif fonctionne et ce que ce premier défi permet vraiment de vérifier.
Pourquoi la science publique reste-t-elle difficile à réutiliser ?
Les États-Unis investissent environ 190 milliards de dollars par an dans la recherche et le développement. Une partie de cette recherche est financée par des fonds publics, avec des exigences qui montent en puissance : publier les résultats et prévoir le partage des données sous-jacentes. Des organismes comme le National Institutes of Health (NIH) et la National Science Foundation (NSF) poussent dans ce sens.
Le souci, c'est qu'entre publier une ressource et la rendre réellement réutilisable, il y a un fossé. Un jeu de données peut être en ligne et pourtant presque inutilisable : fichiers statiques ou formats anciens, colonnes mal décrites, unités absentes, documentation trop légère, provenance incertaine. Dans ce cas, même un chercheur du domaine doit souvent reconstruire tout le contexte avant de pouvoir faire une analyse sérieuse.
Pour une IA, ces zones floues posent encore plus problème. Un modèle ne « comprend » pas automatiquement ce que recouvre une variable, quelles observations ont été retirées, ni dans quelles conditions les données ont été produites. Sans métadonnées ni conventions claires, l'outil peut bien lire les fichiers, mais produire une interprétation fausse. En bref : « lire un format » n'est pas « comprendre une expérience ».
Il y a aussi un frein plus simple : l'organisation. Les données, les modèles et le code sont souvent répartis sur plusieurs plateformes, avec des règles de partage différentes et des formats qui ne s'emboîtent pas. Pour vérifier un résultat ou entraîner un modèle à partir de plusieurs sources, il faut alors résoudre des problèmes de format, de droits et de traçabilité.
Les chiffres de partage montrent à la fois une demande et un potentiel. Hugging Face indique héberger plus de 17 000 jeux de données publics dans des domaines scientifiques comme la génomique, la chimie, la météorologie, l'observation de la Terre et l'astronomie. En ajoutant la médecine et les mathématiques, le total approche 29 000, avec un volume comparable de modèles scientifiques. Bien sûr, ces nombres ne prouvent pas à eux seuls la qualité des ressources ni leur adéquation à chaque usage. Ils montrent néanmoins que l'infrastructure ouverte existe déjà et qu'elle sert.
Au final, le point essentiel n'est pas « publier plus », mais réduire le coût de réutilisation. Une ressource bien décrite aide à vérifier un résultat, entraîner un modèle ou lancer une nouvelle question. Une ressource mal documentée peut rester quasiment invisible, même si elle est techniquement publique.
Que signifie rendre une recherche prête pour l'IA ?
« Prête pour l'IA » ne veut pas dire qu'il faut tout uniformiser ni qu'un modèle doit être entraîné sur chaque jeu de données. L'idée, c'est plutôt un ensemble de conditions pour qu'une ressource soit repérable, interprétable et exploitable dans des outils numériques, sans perdre le contexte nécessaire à son utilisation.
Les éléments qui rendent une ressource réutilisable
Concrètement, une ressource scientifique devrait permettre de répondre rapidement à quelques questions : qu'est-ce qu'il y a dedans ? comment a-t-elle été produite ? quelles sont ses limites ? à quelles conditions peut-on la réutiliser ? En pratique, cela implique souvent :
- des fichiers dans des formats lisibles par des outils courants, avec une structure cohérente ;
- des métadonnées décrivant les variables, les unités, la période, la méthode de collecte et la provenance ;
- une documentation qui explique les choix de préparation, les valeurs manquantes et les limites d'interprétation ;
- des informations sur les droits, les conditions d'accès et les restrictions éventuelles ;
- des liens entre données, code, modèles et travaux de recherche associés.
Cette liste n'est pas une norme universelle. En biologie, en climatologie ou en sciences sociales, les conventions utiles ne sont pas les mêmes. L'objectif est plutôt de les rendre explicites, pas de les gommer. Une documentation solide permet aussi à quelqu'un « hors du laboratoire » d'évaluer si les données conviennent avant de se lancer dans le nettoyage ou l'entraînement.
L'ouverture ne remplace ni la gouvernance ni la validation
Rendre une ressource accessible ne veut pas dire que tout usage est automatiquement acceptable. Des données sensibles, des risques de réidentification ou des contraintes juridiques peuvent imposer des restrictions. En Europe, le RGPD rappelle que le fait qu'un fichier soit techniquement disponible ne suffit pas à autoriser n'importe quel traitement de données personnelles. Les équipes doivent donc distinguer ce qui peut être partagé librement de ce qui nécessite un accès contrôlé ou une préparation spécifique.
Autre point à ne pas oublier : des données accessibles ne sont pas forcément des données « représentatives ». Elles peuvent porter des biais de collecte, des trous géographiques ou une qualité inégale. Un modèle entraîné dessus peut alors amplifier ces défauts à grande échelle. Voilà pourquoi la provenance, les limites documentées et l'évaluation des résultats comptent : ce ne sont pas des détails administratifs.
ProtoStar s'inscrit dans cette logique : publier des jeux de données, des modèles et du code, mais en cherchant des formats mieux documentés et plus faciles à exploiter par des machines. Le projet s'appuie aussi sur des initiatives déjà existantes, comme le défi de préparation des données à l'IA du National Cancer Institute, et des guides sur les données du secteur public. L'ambition est de compléter les exigences d'accès public avec des pratiques qui rendent la réutilisation plus praticable.
Comment le projet ProtoStar transforme-t-il cette ambition en pratique ?
ProtoStar combine deux leviers : un travail institutionnel sur la publication des ressources et des défis qui mettent ces ressources à l'épreuve. À elle seule, une liste de recommandations peut rester théorique ; et un concours isolé peut générer des résultats intéressants sans changer durablement les pratiques de partage. Le projet veut relier les deux.
Un engagement porté par plusieurs organisations
Les partenaires fondateurs incluent Carnegie Mellon University, Purdue University, Georgia Institute of Technology, Arizona State University et The George Washington University, réunies via l'Open Forum for AI. On retrouve aussi l'Astera Institute, Hugging Face comme partenaire d'infrastructure, et l'Open Research Community Accelerator, via son Fostering Innovation Network, comme partenaire communautaire.
Les organisations participantes formalisent cet engagement avec un protocole d'accord, visant à diffuser des ressources scientifiques adaptées à des formats « prêts pour l'IA », sur une infrastructure ouverte. Et ça ne signifie pas que chaque dépôt doit forcément quitter un référentiel spécialisé. Un dépôt thématique peut rester utile pour une discipline donnée : l'enjeu est surtout d'aider la découverte et la réutilisation, en complément des infrastructures déjà en place.
Un exemple vient du bureau des programmes open source de Carnegie Mellon. Il encourage les chercheurs de l'université à partager sur Hugging Face des jeux de données, des modèles d'IA et d'autres résultats qui s'y prêtent, tout en continuant à valoriser l'existence de dépôts spécialisés.
Des défis pour mesurer l'utilité, pas seulement la disponibilité
Chaque défi s'appuie sur un établissement participant et sur des ressources publiées ouvertement. L'objectif est de voir si des équipes externes peuvent découvrir les données, les combiner et les prolonger pour répondre à un problème précis. Les résultats obtenus et les difficultés rencontrées alimentent ensuite un retour d'expérience sur les formats, la documentation et l'infrastructure.
Les premiers chiffres donnent déjà une indication de l'intérêt. D'après les données communiquées par Hugging Face, les dépôts publics du National Center for Biotechnology Information (NCBI) des NIH ont dépassé 11 millions de téléchargements cumulés. Les 27 dépôts de NASA IMPACT ont reçu environ 770 000 téléchargements au 26 octobre 2026. L'organisation indique aussi que 90 % des téléchargements concernent des jeux de données entièrement documentés. Ces chiffres décrivent l'activité sur la plateforme — pas l'impact scientifique à eux seuls — mais ils rappellent quand même que la documentation change l'usage.
Il y a aussi une hausse du volume : selon les chiffres du projet, le nombre de nouveaux jeux de données scientifiques partagés sur Hugging Face pendant les neuf premiers mois de 2026 était plus de trois fois supérieur à celui de la même période en 2025. Même en retirant le plus gros contributeur individuel, la progression reste nette. Mais plus de ressources ne veut pas automatiquement dire meilleure réutilisation : d'où l'importance de critères de qualité.
Le succès de ProtoStar ne doit donc pas se mesurer uniquement au nombre de dépôts ou de participants. Il faudra regarder si les équipes arrivent à comprendre les données, à reproduire les étapes clés et à produire des résultats utiles au-delà du défi initial. C'est là que l'initiative peut générer des enseignements transférables à d'autres institutions.
Que propose le défi Climate Risk Intelligence de CMU ?
Le premier défi ProtoStar, organisé par Carnegie Mellon University, se déroule du 2 au 13 novembre 2026. Il porte sur la capacité à prédire des conditions climatiques urbaines à partir de données météorologiques historiques pour 210 villes américaines.
Les équipes utilisent les observations disponibles jusqu'en 2018 pour prédire ce qui a été réellement observé entre 2019 et 2026. Autrement dit : on évalue des prédictions sur une période où les faits existent déjà. Ce n'est pas une prévision du climat à long terme. Cette différence compte : elle permet de tester les modèles sur des résultats observés, sans promettre de résoudre l'incertitude des projections futures.
Quatre indicateurs et des références simples
Les participants doivent produire des prévisions pour quatre indicateurs utiles à la planification urbaine :
- la température annuelle moyenne ;
- les précipitations totales annuelles ;
- la journée la plus chaude de l'année ;
- les degrés-jours de climatisation, un indicateur lié aux besoins de refroidissement des bâtiments.
Les résultats seront comparés à des références statistiques simples, comme les moyennes historiques et des tendances linéaires. C'est une approche utile : un modèle d'IA n'a de valeur que s'il apporte un gain par rapport à une méthode de référence raisonnable, avec une marge suffisamment claire pour justifier sa complexité. Si un modèle « sophistiqué » ne fait pas mieux qu'une moyenne historique, le coût de développement et de maintenance devient difficile à défendre.
Le défi inclut aussi une proposition courte de politique d'adaptation climatique, fondée sur l'analyse des données. Les équipes peuvent, par exemple, réfléchir à la préparation aux épisodes de chaleur, à l'efficacité énergétique ou à la gestion des précipitations. Cette partie ne transforme pas le travail de modélisation en recommandation réglementaire : elle pousse surtout à faire le lien entre les résultats et des décisions publiques concrètes.
Ce que le dispositif permettra — et ne permettra pas — de conclure
Les équipes remettront un jeu de données Hugging Face avec leurs résultats. La performance des prévisions sera évaluée via un classement public qui mesure les erreurs par rapport aux références. Les propositions de politiques publiques seront examinées séparément. Les résultats de prévision sont attendus début 2027, une fois que les données météorologiques complètes de 2026 seront disponibles.
Ce format apporte de la transparence sur les sorties et sur les critères de comparaison. En revanche, il ne dit pas, à lui seul, si les modèles se généralisent à d'autres villes, à d'autres périodes ou à d'autres contextes climatiques. Les 210 villes fixent un périmètre d'évaluation précis : les conclusions devront rester proportionnées. Pour une décision d'urbanisme, il faudra aussi intégrer des éléments que les indicateurs météorologiques ne résument pas — infrastructures locales, populations exposées, capacités d'adaptation.
Le défi intéresse les chercheurs, les étudiants, les développeurs indépendants et les entreprises qui travaillent sur l'infrastructure scientifique ouverte. Mais l'enjeu dépasse le classement : le dispositif teste si une ressource publiée peut être utilisée par d'autres équipes, avec des méthodes comparables et des résultats interprétables. C'est exactement le passage entre « accès public » et « réutilisation réelle » que ProtoStar veut documenter.
À retenir : ProtoStar ne présente pas l'IA comme une fin en soi. L'objectif est de rendre les ressources publiques plus faciles à réemployer, puis de vérifier cette utilité avec des cas concrets. La qualité des données, leur documentation et l'évaluation face à des méthodes simples resteront déterminantes.
Conclusion
Le problème que ProtoStar vise est concret : une publication accessible n'est pas automatiquement une ressource que d'autres équipes peuvent réutiliser. Ce qui fait la différence, ce sont la documentation, les métadonnées, les formats et la traçabilité.
Le défi climatique de Carnegie Mellon donne un premier terrain pour tester cette ambition : données historiques, références statistiques et lien explicite avec l'adaptation des villes. Les résultats ne suffiront pas, à eux seuls, à trancher toutes les questions de qualité ou de généralisation, mais ils peuvent aider à comprendre ce qui rend une science ouverte vraiment exploitable. Pour les institutions, le message est assez clair : publier des ressources dont le contexte et les limites suivent réellement le fichier, pas seulement la page web.