Présentation
Project ProtoStar a été lancé pour transformer les jeux de données, modèles et code issus de la recherche financée par l’État en ressources directement exploitables par l’intelligence artificielle. Le consortium regroupe cinq universités américaines (Carnegie Mellon, Purdue, Georgia Tech, Arizona State, George Washington), l’Open Forum for AI, l’Astera Institute, Hugging Face comme partenaire d’infrastructure et l’Open Research Community Accelerator (ORCA) comme partenaire communautaire. Les participants signent un protocole d’accord qui formalise la mise à disposition d’artefacts scientifiques dans des formats « machine‑actionable ». Le gouvernement fédéral consacre environ 190 milliards de dollars chaque année à la R&D, avec des exigences croissantes de partage public imposées par le NIH et la NSF.
Contexte et enjeux
Les exigences de mise à disposition publique ne garantissent pas la réutilisabilité. Les jeux de données restent souvent fragmentés, stockés dans des formats hérités et dépourvus de métadonnées suffisantes. Hugging Face héberge plus de 17 000 jeux de données scientifiques (29 000 en incluant médecine et mathématiques) et un nombre comparable de modèles. Entre le premier trimestre 2025 et le troisième trimestre 2026, le nombre de nouveaux jeux de données scientifiques a triplé, montrant une dynamique d’adoption malgré l’absence de standardisation généralisée.
Architecture et format AI‑ready
ProtoStar s’appuie sur le Hub Hugging Face comme couche d’infrastructure ouverte. Les dépôts publics du NIH (18 référentiels NCBI) ont enregistré plus de 11 millions de téléchargements, tandis que les 27 dépôts NASA IMPACT totalisent environ 770 000 téléchargements au 26 octobre 2026. Plus de 90 % des téléchargements concernent des jeux de données entièrement documentés, ce qui confirme l’importance de la description structurée (schémas JSON‑LD, licences, provenance). Le format AI‑ready impose des exigences de sérialisation (Parquet, Arrow), de métadonnées normalisées (Schema.org, DATS) et de versionnage, facilitant l’indexation automatisée par les modèles de langage.
Impact mesurable et limites
L’inauguration du défi ProtoStar, du 2 au 13 novembre 2026, teste la capacité des IA à prédire les conditions climatiques urbaines à partir de données historiques de 210 villes américaines (records jusqu’en 2018, prévisions 2019‑2026). Les équipes doivent estimer quatre indicateurs : température moyenne annuelle, précipitations annuelles totales, jour le plus chaud et degré‑de‑refroidissement. Le succès du défi fournira une preuve empirique de la valeur ajoutée des artefacts AI‑ready. Toutefois, la dépendance à la qualité documentaire, la variabilité des standards entre domaines et la nécessité d’une adoption institutionnelle généralisée restent des freins potentiels à l’échelle du système de recherche publique.
