Étude de cas · IA locale
TabICL — ML tabulaire SOTA, 100 % local
Un foundation model tabulaire de pointe (TabICLv2, ICML 2026) déployé entièrement sur Apple Silicon : prédictions fortes sans réglage, probabilités calibrées et explicabilité par feature — zéro cloud, données jamais sorties de la machine.
Contexte
Le problème
Les modèles tabulaires de référence (XGBoost, CatBoost, LightGBM) exigent un réglage d'hyperparamètres long et un data scientist. TabICL apprend en un seul passage avant (in-context learning), sans entraînement ni réglage, et bat XGBoost réglé sur ~80 % des jeux de TabArena.
Cas réel testé : une bibliothèque numérique locale de 6 338 ouvrages dont une catégorie fourre-tout « Divers » à nettoyer, et une démo médicale publique pour la partie souveraineté. Tout devait tourner sur la machine, sans cloud.
Approche
Architecture & pipeline
TabICL traite la donnée en trois étages transformeur, puis prédit en un forward pass.
- 1
Embedding par colonne
Set-transformer à points inducteurs : embeddings conscients de la distribution, nombre de colonnes variable.
- 2
Interaction par ligne
Transformeur avec RoPE et jetons CLS : capture les interactions entre features d'un même échantillon.
- 3
In-context learning
Transformeur d'apprentissage en contexte : apprend des exemples étiquetés et prédit, sans gradient.
Pipeline du cas bibliothèque : embedding sémantique des ouvrages (bge-m3, 1024-dim) réduit en PCA-64, puis classification TabICL. Validation par gate de calibration réutilisable (validation croisée 5-folds, ECE, courbe de fiabilité) face à un baseline HistGradientBoosting.
Résultat
TabICL vs baseline réglé
| Métrique | Baseline HGB | TabICL | Écart |
|---|---|---|---|
| f1-macro (décision) | 0.689 | 0.789 | +0.100 |
| Exactitude équilibrée | 0.695 | 0.792 | +0.097 |
| Log-loss | 1.13 | 0.61 | ÷2 |
| ECE — calibration | 0.142 | 0.032 | 4,4× |
| Saturation (conf>0,99) | 63 % | 17 % | — |
Plus précis ET mieux calibré. Une confiance calibrée rend le seuil de décision exploitable : 694 ouvrages « Divers » ont été recatégorisés automatiquement au-dessus du seuil fiable, le reste laissé en revue. Tout réversible (snapshot avant écriture).
Démo souveraine
Calibré, explicable, hors-ligne
Sur un jeu médical public (breast cancer), exécuté avec le réseau coupé.
Explicabilité SHAP — les features dominantes (worst area, worst radius) sont médicalement cohérentes.
Exactitude 0,965, ROC AUC 0,997, ECE 0,013. Chaque prédiction vient avec une confiance calibrée et une explication par feature nommée — clé pour la conformité (RGPD, secteurs sensibles).
Exécution prouvée hors-ligne (variable HF_HUB_OFFLINE, téléchargement désactivé par défaut) : la donnée ne quitte jamais la machine.
Souveraineté
Pourquoi ça compte
Données captives
Aucune donnée n'est envoyée à un service tiers. Idéal santé, finance, juridique.
Décision fiable
Probabilités calibrées : la confiance affichée correspond à l'exactitude réelle.
Explicable
Attribution SHAP par feature nommée — auditable pour la conformité.
Apple Silicon
Tourne sur MPS (M-series). Un dataset de 50 k lignes en quelques secondes sur GPU.