Présentation
Meta a dévoilé Muse, un assistant numérique basé sur l’intelligence artificielle générative. Le service s’appuie sur le modèle Llama 2 70B, publié en juillet 2023, et s’intègre aux applications Meta via l’application Meta AI disponible sur iOS et Android. Muse se positionne comme un « agent personnel » capable de répondre à des requêtes, de planifier des tâches et de synthétiser des informations, tout en promettant une gestion stricte des données utilisateur.
Architecture et fonctionnement
Le cœur de Muse repose sur l’infrastructure Meta AI Foundations, qui orchestre l’inférence du modèle Llama 2 70B sur des serveurs cloud dédiés. Une partie du traitement, notamment la pré‑filtration des entrées, s’effectue localement sur le dispositif grâce à un moteur d’inférence allégé nommé Meta Edge Runtime. Cette double couche permet de réduire la latence (environ 200 ms pour les réponses courtes) tout en limitant le volume de données transmises au cloud. Les requêtes sont chiffrées TLS 1.3 end‑to‑end avant d’atteindre les serveurs, et les réponses sont renvoyées sous forme de texte ou de suggestions d’actions intégrées aux services Meta (Messenger, Instagram, etc.).
Analyse de la confidentialité
Meta affirme que Muse intègre la confidentialité « by design ». Les données brutes restent sur l’appareil tant que l’utilisateur n’accepte pas explicitement le partage pour la personnalisation. Lorsque le partage est activé, les informations sont agrégées via un mécanisme de confidentialité différentielle (ε≈1,5) afin de masquer les contributions individuelles. De plus, les logs de conversation sont stockés dans des bases chiffrées AES‑256 et sont automatiquement purgés après 30 jours si l’utilisateur ne les conserve pas. Cette approche repose sur le principe de consentement granulaire : chaque fonctionnalité (ex. : rappel de rendez‑vous, recherche web) nécessite une autorisation distincte.
Implications et limites
Sur le plan technique, la dépendance à un modèle de 70 milliards de paramètres impose une consommation énergétique notable ; Meta indique que le serveur dédié consomme environ 1,2 kWh par million de requêtes, ce qui soulève des questions d’évolutivité. Le traitement local, limité à la pré‑filtration, ne protège pas contre les fuites potentielles lors de l’envoi de métadonnées (horodatage, identifiant de dispositif). Enfin, la confidentialité différentielle introduit du bruit dans les agrégats, ce qui peut réduire la pertinence des réponses personnalisées pour les utilisateurs très actifs. Malgré ces contraintes, Muse représente une étape importante dans la convergence des assistants IA et des exigences de protection des données, en offrant un modèle hybride cloud‑edge qui pourrait servir de référence pour les futurs agents personnels.
