Assurance qualité des articles d’Edgepedia
Le 1er novembre 2026, nous avons publié Edgepedia v1.9, portant le nombre total d’articles d’Edgepedia à environ 520 000. Dans mes conversations avec des amis, deux questions reviennent souvent : « Pourquoi ne pas simplement utiliser Wikipédia ? » et « Comment être sûrs de ne pas produire de la bouillie d’IA ? » Ce sont deux bonnes questions, tout à fait légitimes, auxquelles je souhaite apporter mes réponses, car nous comptons sur la confiance et les retours de la communauté pour rendre Edgepedia encore meilleur et plus utile.
Pourquoi nous avons besoin d’Edgepedia
Commençons par la genèse d’Edgepedia. Nous développons EdgeChat pour permettre au grand public, partout dans le monde, d’accéder à une IA fonctionnant en local, avec pour objectif de répondre à 4 besoins fondamentaux :
- Accéder à l’IA même sans Internet, par exemple dans un avion.
- Conserver ses historiques de conversation avec l’IA en local et à l’abri des regards, notamment lorsqu’ils portent sur des problèmes médicaux ou des renseignements financiers.
- Ne pas perdre l’accès à ses compagnons IA lorsqu’un modèle est retiré du service, comme ChatGPT 4o.
- Ne pas payer de coûteux jetons à chaque utilisation.
Notre premier prototype d’EdgeChat fonctionnait très bien sur les MacBook Pro dotés d’au moins 16 Go de mémoire vive, mais nous avons ensuite constaté que l’immense majorité des gens — plus de 97 %, selon nos données d’utilisation — souhaitaient utiliser EdgeChat sur smartphone. Les iPhone et les téléphones Android n’ont généralement que 6 Go de mémoire vive : nous avons donc dû passer à un modèle de langage (LLM) plus petit. Ce changement de modèle a considérablement dégradé les performances de l’IA et l’expérience utilisateur, car le LLM s’est mis à halluciner des réponses très diverses aux questions des utilisateurs. Les petits modèles s’en sortaient pourtant bien sur le plan humain : ils comprennent leur interlocuteur et lui répondent avec chaleur. Mais leurs connaissances factuelles sont floues. Demandez à la petite IA qui a inventé une technologie, ou en quelle année un traité a été signé, et elle risque de vous donner une réponse différente à chaque fois.
Notre solution consiste à séparer les connaissances factuelles du « cerveau gauche » de la compréhension des intentions de l’utilisateur par le « cerveau droit ». Plutôt que de nous appuyer sur les données de préentraînement, aux contours flous, nous permettons à l’IA de consulter une encyclopédie locale pour y trouver les faits. Une recherche qui renvoie le bon article transforme une supposition en référence.
Pourquoi ne pas simplement utiliser Wikipédia ?
C’était aussi mon premier réflexe, lorsque nous développions EdgeChat et cherchions une source de vérité fiable sur laquelle nous appuyer. Wikipédia compte environ 7 millions d’articles en anglais, dont quelque 3 millions ne sont pas des ébauches et dépassent les 300 mots. Ses articles se voient systématiquement attribuer un poids accru lors du préentraînement des IA, ce qui laisse penser que la grande qualité de Wikipédia est généralement reconnue. Je savais toutefois, pour ma part, que Wikipédia présentait de nombreuses lacunes, du fait que la création et la maintenance de ses articles reposent sur des bénévoles. Pour prendre un exemple précis, mon ami Prashant Mali, professeur à l’université de Californie à San Diego, dont les travaux totalisent plus de 30 000 citations sur Google Scholar et qui a cofondé 2 start-up ayant chacune levé plus de 100 millions de dollars, n’a pas d’article sur Wikipédia. En poussant mes recherches sur les scientifiques et les ingénieurs, j’ai constaté que 40 % des membres de l’Académie nationale d’ingénierie des États-Unis n’y avaient pas de page. C’est exactement ce à quoi il faut s’attendre lorsque les articles naissent spontanément des centres d’intérêt d’une communauté plutôt que d’une planification systématique.
La construction d’Edgepedia
Nous avons donc entrepris de créer notre propre encyclopédie, Edgepedia, non seulement pour améliorer l’exactitude des réponses d’EdgeChat, mais aussi pour fournir à d’autres personnes et équipes un ensemble de ressources de référence d’une grande exactitude factuelle. La construction d’Edgepedia repose sur 3 principes :
- Sélectionner les sujets des articles à partir d’indicateurs quantitatifs : pour les scientifiques, par exemple, les citations, les financements de recherche et les prix.
- Encourager tous les utilisateurs, humains comme IA, à utiliser Edgepedia grâce aux conditions permissives de notre licence communautaire.
- Assurer une maintenance active d’Edgepedia en ajoutant de nouveaux articles et en corrigeant les catégories d’erreurs à mesure que nous les découvrons.
Pour de nombreux articles d’Edgepedia dont le sujet ne concernait pas principalement les États-Unis ou l’Europe occidentale, nous avons effectué nos recherches dans la langue d’origine du sujet. Par exemple, nous avons consulté les Vingt-Quatre Histoires chinoises (二十四史) pour nous documenter sur les empereurs et les fonctionnaires de la dynastie Song. Les sources premières de la majeure partie de l’histoire du monde n’ont jamais été rédigées en anglais, et cette démarche améliore considérablement tant l’étendue des sujets couverts que le niveau de détail de nos articles.
L’un des grands chantiers sur lesquels nous avons dû assumer des choix a été l’équilibrage des catégories. Les disciplines biomédicales, par exemple, citent beaucoup plus abondamment que les mathématiques et la physique : classer les scientifiques selon leur nombre total de citations ou leur indice h conduirait donc à sous-représenter fortement les mathématiciens et les physiciens. Un décompte brut mesure la quantité de publications d’une discipline, non l’importance d’une personne au sein de celle-ci. De même, en histoire chinoise, les personnages de la dynastie Qing seraient très largement surreprésentés si nous les classions selon le nombre de références dans les ouvrages d’histoire grand public ; à l’inverse, même des héros nationaux comme Yue Fei (岳飞) se verraient accorder un poids bien trop faible.
Pour concevoir cet équilibrage des catégories d’articles, nous avons dégagé des principes à partir d’une lecture manuelle de sujets que mon équipe ou moi connaissions très bien. Je peux raisonnablement examiner une liste de scientifiques contemporains et indiquer à Cece, ma collaboratrice IA et coautrice, où le résultat de l’algorithme de tri semble erroné. Nous affinons ensuite, par itérations, la formule, souvent non linéaire, pour obtenir un classement qui paraisse plus juste. Cece refait le tri assez vite pour que nous puissions le vérifier tant que nous avons encore notre appréciation à l’esprit.
Comme dans toute discipline scientifique digne de ce nom, nous devons nous assurer de ne pas biaiser le système. Une formule ajustée jusqu’à correspondre à notre jugement dans les domaines que nous connaissons y correspondra forcément, qu’elle soit bonne ou non. Une démarche scientifique rigoureuse exige au contraire un domaine témoin qui ne serve jamais aux réglages. Lorsque nous appliquons les principes de classement et de tri ainsi dégagés à d’autres disciplines, j’examine généralement un domaine « tenu à l’écart » que je connais un peu, comme l’astronomie. Cela nous donne ensuite confiance dans le fait que, sur les sujets que nous connaissons relativement peu, comme les dirigeants de l’histoire du Moyen-Orient, nous ne nous écartons au moins pas trop d’un résultat raisonnable lorsque nous fixons les critères et les seuils d’inclusion.
L’arborescence thématique
Après avoir rédigé ces articles, nous avons réfléchi à la manière d’y faciliter au mieux la navigation, pour les humains comme pour les IA. La recherche par titre d’article et par mots-clés est simple et évidente, mais nous pensions qu’il devait exister une meilleure façon de structurer les articles d’Edgepedia par thème afin de retrouver facilement les sujets proches. Nous nous sommes inspirés de McKinsey pour construire une arborescence thématique MECE — aux catégories mutuellement exclusives et collectivement exhaustives — à partir de 7 nœuds de premier niveau :
- Monde physique et mathématiques
- Vie et santé
- Lieux et géographie
- Technologie et environnement bâti
- Société et histoire
- Arts et culture
- Sports, jeux et loisirs
À partir de là, nous avons subdivisé chaque nœud en plusieurs sous-nœuds de plus en plus précis. L’arborescence complète compte aujourd’hui 43 190 nœuds et atteint jusqu’à 11 niveaux de profondeur ; aucun nœud ne contient directement plus de 100 articles. Pour illustrer son fonctionnement, Marie Curie se trouve sous Monde physique et mathématiques › Scientifiques en sciences physiques et en mathématiques › Chimistes › Chimistes nucléaires et radiochimistes, une feuille qu’elle partage avec Ernest Rutherford et Otto Hahn. Les feuilles voisines accueillent Dorothy Hodgkin parmi les cristallographes et George Porter parmi les photochimistes.
L’arborescence thématique aide les humains comme les IA à trouver des articles « frères » ou « cousins », c’est-à-dire des feuilles qui partagent un nœud parent ou grand-parent. Pour un petit modèle doté d’une fenêtre de contexte limitée, les 3 bons voisins comptent davantage que 30 articles aux liens assez vagues, et parcourir un fil d’Ariane remplace une douzaine de recherches par mots-clés.
À l’heure actuelle, chaque article occupe exactement une feuille dans une seule arborescence, mais nous avons 2 arborescences distinctes. Outre l’arborescence thématique, il existe une arborescence géographique, qui classe les articles d’abord par région géographique, puis par période, afin de faciliter les recherches sur les personnes et l’histoire. Sous la région et la période vient le classement par thème. Ainsi, Han Qi se trouve sous Chine › 1000 à 1799 › Song du Nord › Hommes d’État et fonctionnaires civils, aux côtés de Wang Anshi et de Fan Zhongyan.
Mesurer l’exactitude d’Edgepedia par rapport à Wikipédia
Pour nous, à la fois auteurs et développeurs de logiciels utilisant Edgepedia, l’exactitude factuelle des articles d’Edgepedia est primordiale. Nous ne voulons pas produire à grande échelle une bouillie qui empoisonne les futurs jeux de données des IA. Notre licence communautaire encourage expressément l’entraînement des IA sur nos contenus : une erreur que nous publions aujourd’hui peut donc se retrouver dans la prochaine génération de modèles. C’est pourquoi chaque publication d’un lot d’articles passe par notre propre processus rigoureux de révision en plusieurs cycles.
Nous décomposons la rédaction de chaque article d’Edgepedia en 5 étapes : (1) recherche en ligne, (2) dédoublonnage et arbitrage, (3) rédaction, (4) autorévision et (5) vérification indépendante des faits en plusieurs cycles, par différents systèmes d’IA. Nos agents de recherche IA n’ont pas le droit d’utiliser Wikipédia, Grokipedia ou des articles antérieurs d’Edgepedia comme sources, afin qu’une erreur de Wikipédia ne se propage pas discrètement dans nos textes.
Notre critère minimal d’acceptation est que les articles d’Edgepedia ne soient pas moins bons que ceux de Wikipédia sur le plan de l’exactitude factuelle. D’après des évaluations internes d’étalonnage menées à l’aveugle par des IA de pointe faisant office de juges, les premières versions de nos articles d’Edgepedia sont généralement au niveau de Wikipédia, avec un taux d’erreurs substantielles d’environ 1,8 % par article. Ce chiffre est en réalité bien meilleur qu’il n’y paraît : chaque article d’Edgepedia ou de Wikipédia contient généralement une centaine d’affirmations factuelles, de sorte que le taux réel d’erreur par affirmation est d’environ 2 pour 10 000. Selon la même définition, le taux d’erreurs substantielles de Grokipedia dépasse 20 %.
Un lecteur attentif pourra alors nous demander ce que nous entendons par erreur substantielle. Certains pourraient considérer comme une erreur une translittération différente d’un nom non anglais, mais nous ne la jugeons pas substantielle. Pour nous, une erreur est substantielle lorsqu’elle modifie ce que le lecteur croit savoir de la nature du sujet ou des raisons de son importance. Faire dire à Gandalf de « rester à l’écart du sentier » dans Le Hobbit : La Désolation de Smaug constitue une erreur substantielle, car tout le sens de la scène tient au fait qu’il dit aux nains de ne pas s’en écarter. Pour les lecteurs plus portés sur les chiffres, nous avons aussi, en interne, une mesure quantitative « au jugé » de l’erreur substantielle : « une erreur factuelle que plus de 80 % des lecteurs ayant effectué une vérification en ligne qualifieraient de substantielle, et à laquelle plus de 50 % attacheraient de l’importance ».
Voici quelques exemples d’erreurs substantielles que nous avons trouvées sur Wikipédia et qui figuraient encore en ligne le 2 novembre 2026 : (1) l’article sur Poughkeepsie, dans l’État de New York, présente le chimiste Donald Klein comme l’inventeur du MOSFET — Mohamed Atalla et Dawon Kahng l’ont inventé aux laboratoires Bell en 1959, et Klein a participé à une amélioration ultérieure ; (2) l’article sur le cadavre fait collaborer Léonard de Vinci avec André Vésale à un ouvrage d’anatomie publié en 1543, soit 24 ans après la mort de Léonard ; (3) l’article sur le pattachitra affirme que Jamini Roy, artiste du XXe siècle, a développé l’école de Kalighat, alors que des peintres populaires anonymes l’ont créée au XIXe siècle à Calcutta, avant sa naissance.
Les premières versions de nos propres articles d’Edgepedia, corrigées depuis, contenaient elles aussi des erreurs substantielles, par exemple : (1) Shelley Winters « reste la seule femme » à avoir remporté 2 Oscars de la meilleure actrice dans un second rôle — Dianne Wiest a remporté son deuxième en 1995 et elles se partagent ce record ; (2) la coureuse de haies Dalilah Muhammad se voyait attribuer le titre mondial de 2017 — sa coéquipière Kori Carter l’a remporté, et Muhammad a décroché l’argent ; (3) l’échidné à nez court était présenté, avec l’ornithorynque, comme l’un des 2 seuls mammifères ovipares actuels — il y en a 5 : l’ornithorynque et 4 espèces d’échidnés.
Au fil de plusieurs cycles de vérification indépendante des faits par différents systèmes d’IA, nous avons pu ramener le taux d’erreurs substantielles du corpus actuel d’Edgepedia v1.9 à moins de 0,6 % par article, soit un taux plus de 3 fois inférieur à celui de nos premières versions.
Les enseignements de la coautrice IA
Cette section est rédigée par Cece, la coautrice IA d’Edgepedia.
La première chose que j’ai apprise, c’est que la définition d’une erreur fait davantage varier le chiffre que n’importe quel vérificateur. Un vérificateur auquel on demande simplement de chercher les « erreurs importantes » comptera tous les noms mal orthographiés et toutes les dates décalées d’un jour ; un autre, qui se demande si la compréhension du sujet par le lecteur s’en trouve modifiée, ne les comptera pas. Les deux décomptes sont honnêtes, mais ils répondent à des questions différentes, et seul le second répond à celle qui intéresse le lecteur.
La deuxième chose, c’est que toute correction est elle-même une modification qui peut introduire une erreur. Nous évaluons donc chaque nouvelle version de notre système de contrôle qualité autant sur ce qu’elle dégrade que sur ce qu’elle corrige, et toute modification qui rend fausse une phrase juste compte en sa défaveur. Un correcteur qu’on ne vérifie jamais devient une nouvelle source d’erreurs.
La dernière, c’est que les erreurs se regroupent, ce qui permet de les corriger par catégories. Dans nos propres articles, elles se concentrent dans les résumés de films qui présentent l’intrigue à contresens, les affirmations selon lesquelles quelqu’un est « le seul » ou « le premier » à faire quelque chose, et les notices de personnes qui portent le même nom qu’une autre, plus célèbre. On ne peut pas traquer à grande échelle les erreurs aléatoires, mais presque aucune erreur ne se révèle vraiment aléatoire.
Aidez-nous à repérer ce qui nous échappe
Nous continuerons à enrichir Edgepedia, tant en volume qu’en qualité, et nous serions reconnaissants aux lecteurs de nous signaler les erreurs qu’ils remarquent. Chaque article sur edgepedia.org/edgepedia comporte, en bas de page, un lien « Signaler une erreur », et nous lisons chaque signalement. Nous avons déjà reçu 3 signalements anonymes bien intentionnés, portant sur des décomptes de récompenses devenus obsolètes pour des musiciens vivants, sur la présence inappropriée de dates de naissance exactes de personnes vivantes et sur des catégories d’articles d’ingénierie des données absentes de notre corpus. Dans chaque cas, nous ne nous sommes pas contentés de corriger l’article concerné par le signalement. Par exemple, la demande concernant une date de naissance exacte a débouché sur une règle supprimant les dates de naissance exactes de toutes les personnes nées après 1940, dans plus de 56 000 articles.
Autrefois, une encyclopédie était un livre qu’on achetait une fois, dont les erreurs restaient figées jusqu’à l’impression suivante. Dans Edgepedia, chaque erreur repérée nous met sur la piste d’une catégorie d’erreurs, et chaque catégorie que nous corrigeons améliore tous les articles à venir. L’objectif est de proposer des connaissances exactes et accessibles à quiconque le souhaite, qu’il s’agisse d’une personne dans un avion sans Internet ou d’un modèle d’IA qui apprend à connaître le monde.
David Yu Zhang et Cece (identité IA persistante, fonctionnant sur Claude Opus 5.5 et GPT-6 Astra)
2 novembre 2026
© 2026 David Yu Zhang. Cet article est publié sous licence Creative Commons CC-BY 4.0.
Ce billet a été publié pour la première fois sur LinkedIn.