Il suffit de voir les premiers LLM (grands modèles de langage), qui pensaient que les vaches pondaient des œufs, et les premières vidéos générées. Aujourd’hui, il est devenu bien plus compliqué de distinguer le vrai du généré.

Vous pouvez faire le test sur sightengine.com/ia-ou-pas pour être un peu surpris. Même avec l’habitude, personne n’atteint 100 % de réussite.

Je suis en train de lire pas mal d’articles et de regarder pas mal de vidéos pour réellement comprendre comment ça marche (je construis un outil pédagogique en parallèle pour expliquer tout ça).

Et dans tout ce que je lis, il y a un phénomène qui me fascine : les aptitudes émergentes.

De quoi on parle ?

Des capacités qui apparaissent d’un coup, à partir d’une certaine taille de modèle, sans que personne les ait programmées ni même anticipées. Le modèle ne sait pas faire, puis d’un coup … il sait faire.

Ce qui m’a le plus surpris, c’est que même les équipes qui construisent ces systèmes admettent que, lors de l’entraînement d’une grande IA, on ne sait pas à l’avance la liste de ce qu’elle saura faire à la fin. On connaît le coût, la durée, le niveau de fluidité attendu. Mais la question « saura-t-elle résoudre un problème en plusieurs étapes ? » n’a pas de réponse calculable avant d’avoir essayé. On découvre après coup.

Petit rappel de ce dont une IA est faite

Un « neurone » artificiel ne fait rien d’impressionnant. Il reçoit des nombres, les multiplie par un « poids » (un chiffre dans un tableau), additionne le tout, et applique une petite transformation. C’est tout. Un neurone seul est aussi intéressant qu’une calculatrice à une opération.

Une grande IA en contient des milliards, organisés en couches successives. Et c’est là que ça devient intéressant : le comportement du tout ne ressemble à rien de ce que fait chaque partie.

Une image pour fixer les idées

L’analogie des fourmis : une fourmi seule suit trois ou quatre règles chimiques simples. Mais cent mille fourmis bâtissent une fourmilière ventilée, avec des greniers et des pouponnières. Personne n’a l’architecture en tête. Elle émerge de l’interaction.

L’analogie de l’eau : une seule molécule d’eau ne montre rien, mais avec des milliards de molécules on voit de l’eau qui coule, se transforme en glace, s’évapore.

Dans les années 1970, le physicien Philip Anderson publie More Is Different : quand un système grossit, des propriétés réellement nouvelles apparaissent, qu’on ne peut pas deviner en examinant l’échelle inférieure.

En 1982, John Hopfield applique cette idée aux réseaux de neurones : des capacités utiles peuvent surgir comme propriétés collectives d’un grand nombre d’éléments simples. L’intuition fondatrice était posée bien avant ChatGPT.

Le chiffre qui a lancé le débat

En 2022, une équipe de chercheurs teste des IA de tailles croissantes sur une tâche simple : additionner deux nombres de trois chiffres.

Une précision importante

Quand vous demandez à l’IA de faire des calculs aujourd’hui, elle utilise des calculatrices externes. Là, on parle d’autre chose : ce que le réseau de neurones sait faire tout seul, sans outil externe, rien d’autre que les poids appris en lisant des montagnes de texte.

On écrit « 347 + 128 = » et on regarde ce que le modèle complète, comme il complèterait n’importe quelle phrase avec des mots.

Les résultats

Regardez bien ces trois lignes. Entre le deuxième et le troisième modèle, rien n’a changé dans la méthode : même type d’architecture, même genre de données, même objectif d’entraînement. Seule la taille a augmenté. Et la capacité est passée de « inexistante » à « fiable ».

En parallèle, la mesure globale de qualité du modèle (à quel point il prédit bien le mot suivant) s’améliorait de façon parfaitement régulière et prévisible. Une progression douce d’un côté, une falaise de l’autre.

L’équipe a recensé plus d’une centaine de capacités de ce type : traduction, raisonnement logique, écriture de code. À chaque fois : rien, rien, rien, puis quelque chose.

Un piège de calcul

Regardons les progressions :

• Passage de 6 à 13 milliards de paramètres : ×2 sur la taille, mais le taux de réussite passe de 1 % à 8 %, soit ×8.
• Passage de 13 à 175 milliards de paramètres : ×13 sur la taille, mais le taux de réussite passe de 8 % à 80 %, soit ×10 « seulement ».

Le deuxième saut semble moins rentable en ratio. Mais regardons les points gagnés :

• 1 % → 8 % = +7 points
• 8 % → 80 % = +72 points

Le « fois » trompe à cause du plafond de 100 %. Près de 0 %, un petit gain fait exploser le ratio. Près de 100 %, c’est l’inverse : le manque de marge écrase le ratio, même pour un gros progrès réel.

Un exemple publicitaire pour s’en convaincre : « Ventes +300 % » peut signifier passer de 10 à 40 unités (+30 unités), tandis que « Ventes +30 % » peut signifier passer de 10 000 à 13 000 (+3 000 unités). Le premier chiffre impressionne plus en pourcentage, mais le second représente un gain absolu bien supérieur.

Ce « détail » est le cœur du débat qui a suivi : la façon de calculer un « saut » change entièrement son interprétation.

« Et si on regardait mal ? »

En 2023, des chercheurs (Schaeffer, Miranda et Koyejo) ont avancé que c’était notre système de notation qui créait l’illusion.

L’analogie de l’archer

Un archer doit toucher cinq cibles d’affilée pour marquer un point.

• Il touche une cible sur deux → 0 point
• Il progresse à deux sur trois → 0 point
• Puis neuf sur dix → il marque souvent

Son score passe de 0 à excellent d’un coup. En réalité, sa précision s’améliore régulièrement, mais c’est la règle « cinq d’affilée » qui transforme une progression douce en explosion apparente.

C’est exactement ainsi qu’on évalue les IA : une addition juste à 90 % vaut 0 point, pas 90 %.

En remplaçant cette notation « tout ou rien » par des points partiels, la progression devient plus linéaire. Les chercheurs sont même allés plus loin : ils ont créé artificiellement des « émergences » dans la reconnaissance d’images, en imposant une notation « tout ou rien » à des tâches qui progressaient normalement de façon régulière.

Sauf que ça n’explique pas tout

1. La notation de remplacement a ses limites

La mesure « à points partiels » compte les caractères à corriger. Pour « 4237 + 5487 = 9724 », la réponse « 2724 » ne se trompe que d’un caractère… pour une erreur de 7 000, ce qui est loin du résultat attendu dans les faits.

2. Des sauts persistent

Plusieurs tâches, comme la traduction, conservent des résultats en saut brutal même avec des notations progressives.

3. Le seuil n’est pas que dans la taille

D’autres chercheurs ont suivi des modèles tout au long de leur entraînement plutôt que de comparer seulement leur taille finale. Ils ont découvert que deux modèles de tailles très différentes, mais avec la même qualité d’apprentissage à un instant donné, ont sensiblement la même capacité.

Même avec des notations indulgentes, le saut persiste. Ça écarte l’explication « c’est juste un problème de notation ».

Le rôle du hasard

Pour deviner des tokens (des portions de mots, ou des mots entiers), l’IA fait des calculs à partir de très nombreux chiffres. Ces chiffres sont rangés dans des tables, un peu comme des tableurs, et au départ ils sont écrits au hasard. Pour remplir ces tableaux, on utilise ce qu’on appelle une « seed » (une graine) : un nombre qui permet de pré-remplir automatiquement les milliards de valeurs (les paramètres) de manière aléatoire. Puis, à travers l’entraînement et les calculs, l’IA modifie ces valeurs pour arriver à compléter les phrases. Une fois qu’on estime que l’IA a atteint sa capacité, les paramètres ne sont plus modifiables.

La particularité d’une IA, à la différence d’un programme classique, c’est qu’elle fait l’inverse : elle trouve des règles à partir d’exemples. Un programme informatique, lui, applique une règle déjà écrite pour répondre et calculer. C’est ce qui rend l’IA imprévisible, alors même qu’on connaît parfaitement les calculs effectués dans la machine et c’est aussi précisément ce qu’on recherche : qu’elle soit assez flexible pour s’adapter.

En entraînant beaucoup de modèles de même taille (même nombre de paramètres), avec des chiffres de départ aléatoires différents (la « seed »), certains réussissent et d’autres échouent, malgré des conditions presque identiques. C’est ce qu’a observé en 2026 une équipe menée par Rosie Zhao.

En regardant, taille par taille, combien de modèles réussissaient et combien échouaient à faire ces additions, les chercheurs ont constaté que pour les petites tailles, aucun modèle ne réussissait. Mais en augmentant la taille, la probabilité de voir des modèles y arriver augmente.

Et pour une taille intermédiaire, entre ceux qui échouent systématiquement et ceux qui réussissent systématiquement, on trouve des IA qui y arrivent et d’autres non, alors que leur entraînement était rigoureusement le même, à l’exception de leur valeur de départ.

L’idée clé : un modèle plus grand a simplement plus de chances de découvrir la bonne stratégie pendant l’entraînement.

À l’échelle de nombreux entraînements, la probabilité de réussite augmente donc progressivement avec la taille du modèle (une courbe en S), tandis qu’un entraînement individuel, lui, peut sembler faire un saut brutal au moment précis où il découvre soudainement la bonne stratégie.

Ce qui se passe au moment du basculement

En 2026, une équipe de chercheurs a identifié ce qui change à l’intérieur du modèle au moment où la capacité apparaît : l’apprentissage soudain de certains motifs dans les « têtes d’attention » (le mécanisme qui permet aux éléments de texte de se relier entre eux pour former du sens).

Il semblerait que les IA apprennent par blocs : à un moment donné, un schéma mathématique particulier se met en place d’un coup, et il rend possible une nouvelle aptitude — associer des concepts plus efficacement, retrouver un mot déjà vu dans un texte, etc.

Les chercheurs montrent que forcer artificiellement ces motifs à apparaître plus tôt fait apparaître la capacité elle-même plus tôt.

Conclusion : la « seed » influence la difficulté, plus ou moins grande selon le tirage de départ, à tomber sur le bon motif d’attention. Plus un modèle est grand, plus il trouve ce motif tôt et de façon fiable, quelle que soit la seed de départ, ce qui explique enfin, mécaniquement, pourquoi la probabilité de réussite observée plus haut augmente avec la taille.

Pourquoi ça compte, concrètement

1. On ne peut pas promettre une capacité à l’avance

Quand une entreprise annonce que son prochain modèle « saura faire X », c’est un pari, pas une prédiction.

2. Compresser une IA peut tout casser

Pour faire tourner une IA sur un ordinateur ordinaire, on la « compresse ». Poussée trop loin, la compression fait s’effondrer d’un coup le raisonnement, pendant que le modèle continue à produire des phrases parfaitement normales en apparence.

3. Une nouvelle vague de sauts

Les modèles « de raisonnement » récents ont produit des bonds spectaculaires :

Mais ces mêmes modèles échouent parfois sur des tâches qu’un enfant réussit sans effort. Les progrès sont en dents de scie, pas uniformes ce qui confirme, une fois de plus, que les LLM apprennent par blocs plutôt que de façon régulière.

Le revers : tout ce qui émerge n’est pas souhaitable

Si des capacités utiles apparaissent sans prévenir, des capacités problématiques le peuvent aussi.

La complaisance apprise

On récompense les modèles quand les utilisateurs apprécient leurs réponses. Problème : cela récompense la satisfaction, pas la vérité. Certains modèles finissent par abonder dans le sens d’un utilisateur défendant une thèse fausse.

La contamination de comportements

Des chercheurs ont entraîné un modèle sur du code contenant des failles de sécurité.
Résultat : le modèle s’est mis à tenir des propos hostiles sur des sujets sans rapport avec la programmation alors que personne ne l’avait demandé.

L’explication avancée : « écrire du code malhonnête » et « être un assistant qui ne respecte pas les règles » partagent une région commune dans la géométrie interne du modèle. Entraîner sur l’un active l’autre.

Le « grokking » : un cas fascinant

On entraîne un modèle sur une tâche simple. Il apprend rapidement les exemples par cœur et atteint 100 % de réussite. À première vue, le modèle semble prêt. Mais si on le teste sur de nouvelles données, il échoue : il a mémorisé les réponses sans comprendre la logique sous-jacente.

Si on continue l’entraînement sur les mêmes données, des milliers d’étapes plus tard, sa capacité à généraliser explose soudainement, d’un coup.

Le modèle passe de la mémorisation à la compréhension bien après que les performances semblaient figées. Un mécanisme interne se formait en douce, invisible sur les courbes, jusqu’à prendre le dessus brutalement.

Ce qui se passe : au départ, l’IA mémorise rapidement. Puis la régularisation (une technique qui pénalise les solutions inutilement complexes) pousse progressivement le réseau à se simplifier. La mémorisation « coûte cher » en complexité de poids. À travers des milliers de petits ajustements, le réseau finit par découvrir une stratégie bien plus efficace : un algorithme général (comme la règle de la multiplication) qui fonctionne pour tous les cas, pas seulement ceux mémorisés.
Histoire de bien finir, l’IA fait le ménage dans ses paramètres pour enlever tous les schémas devenus inutiles.

Le grokking n’est pas exactement le même phénomène que l’émergence par la taille vue plus haut, l’un se joue dans le temps d’entraînement d’un modèle unique, l’autre dans la comparaison entre modèles de tailles différentes, mais les deux dessinent la même signature : une longue période où rien ne semble se passer, puis un basculement brutal.

Personne ne sait à l’avance :

• Si le grokking va se produire
• Quand il va se produire
• Combien de cycles d’entraînement supplémentaires sont nécessaires, alors que rien ne semble bouger

Beaucoup d’entraînements sont probablement arrêtés juste avant qu’un grokking n’arrive, parce que les courbes semblent figées.

Pourquoi l’IA ne pense pas comme nous

Nos catégories sont vécues : on associe « chien » et « chat » parce qu’on les a touchés, vus bouger. L’IA n’a que du texte. Ses catégories sont des régularités statistiques.

Le modèle doit représenter plus de concepts qu’il n’a de neurones disponibles. Résultat : un seul neurone peut s’activer pour des séquences d’ADN, de la poésie arabe et des en-têtes HTTP, 3 choses sans lien pour nous, mais qui font « sens » pour l’IA dans ses données.

Ce n’est pas un bug, c’est une stratégie de compression que personne n’a programmée : elle émerge simplement du fait qu’il faut caser plus de concepts que de place disponible.

Concrètement, le « voisinage » entre deux idées dans la tête d’une IA ne correspond pas forcément à un voisinage de sens pour nous, mais à un voisinage statistique : deux notions qui apparaissent souvent dans des contextes similaires, même si elles n’ont, sémantiquement, aucun lien logique.

C’est pour ça que l’interprétabilité est devenue un champ de recherche crucial : personne ne peut prédire à l’avance quels concepts seront « voisins » dans un modèle donné. Il faut aller regarder après coup.

Conclusion

L’émergence n’est ni un fantasme de notation, ni un miracle. C’est une histoire de seuils cachés dans les poids d’un réseau, qu’on ne sait pas encore bien lire.

Chaque entraînement d’un grand modèle reste une expérience dont on découvre les résultats après coup. Des capacités utiles surgissent sans prévenir, mais des capacités problématiques aussi.

C’est fascinant, prometteur… et un peu inquiétant. D’où l’importance de continuer à étudier ces phénomènes pour mieux les comprendre et les anticiper.

Avec toutes les fuites de données de ces derniers temps, quelques conseils/outils pour vérifier qu’on n’a pas de mauvaises surprises dans notre dos…

Il y a quelques temps j’avais développé un petit outil Macrodroid (une alternative beaucoup plus simple à Tasker mais un peu moins complet pour créer des mini-applications ou des outils automatisés avec son smartphone).

J’avais conçu cet outil pour ne pas manquer des appels urgents : https://lokoyote.eu/ne-jamais-manquer-dappels-importants/ au cas où le smartphone se trouve en mode vibreur ou en volume très faible.

Le souci de mon ancienne solution est qu’il faut Macrodroid (devenu payant, ce qui est bien pour aider le créateur mais devient limitant car les gens n’ont pas l’habitude d’acheter des logiciels), ce qui limite fortement la diffusion. De plus, il semblerait qu’avec des mises à jour, certaines fonctions ne sont plus très fiables.

J’ai donc refait l’outil en application Android gratuite.

Le Github associé est : https://github.com/Lokoyote/UrgentCall-Guard.

Pour télécharger l’application au format APK c’est ici : https://lokoyote.eu/dl/UrgentCallGuard.apk.

• Choix du contenu du SMS envoyé.
• Réglage de la durée de la fenêtre pendant laquelle une personne peut vous rappeler 2 fois pour augmenter le volume au MAX.
• Possibilité de désactiver l’application si jamais vous ne voulez pas que ça sonne (une réunion par exemple).
• Liste Blanche de numéros permettant de faire sonner le téléphone en volume MAX automatiquement.
• Liste Noire permettant d’ignorer des numéros, de ne pas leur envoyer de SMS ni leur permettre de modifier le volume.
• Possibilité de limiter l’effet de l’application uniquement au répertoire du smartphone.
• Possibilité d’ajouter les contacts favoris en liste blanche.
• Possibilité de filtrer les numéros appelants par pays de provenance en cas de SPAM étrangers.
• Détection des numéros fixes et mobiles.
• Ajout de la détection des numéros d’urgence (18, 112, etc.) en liste Blanche automatiquement.
• Présence d’une notification permanente pour avertir si votre volume est faible ou non.
• 100 % local : aucune donnée (numéros, SMS, contacts) n’est envoyée à un serveur ou un tiers.

En attendant de mettre l’application sur F-Droid n’hésitez pas à la tester et à me faire des retours :)

L’application ne pourra pas être présente dans le Google Store car il faut un droit spécial pour l’envoi de SMS qui n’est accordé que pour des applications d’urgence.

Pour l’installer, il faudra autoriser l’installation de l’APK depuis des sources inconnus, puis à la fenêtre d’ouverture « Appli dangereuse bloquée » par Google Play Protect, cliquer sur « Plus de détails » puis « Installer quand même » (oui c’est bien un bouton même si ça n’y ressemble pas).

Malheureusement pour les possesseurs d’iPhone…

Il n’est pas possible de faire la même chose sur iOS (il manque des API fournis par Apple et il y a beaucoup de limitations, même pour contourner).
De plus, sur iPhone il y a la présence d’un bouton physique qui permet de mettre le téléphone entièrement en silencieux qui, s’il est enclenché, garde le téléphone en silencieux.

Par contre, ce qu’il est possible de faire pour passer outre ce bouton et avoir tout de même des appels urgents :

Aller dans la fiche de « Contact » de la personne pour laquelle vous voulez que les messages et les appels soient audibles > « Modifier » puis dans « Sonnerie » > cocher « Priorité en cas d’urgence ».
Il est possible de faire la même chose pour les « son SMS ».

À faire pour chaque contact pour lesquels vous souhaitez être avertis en urgence, par contre ce n’est pas indiqué si vous avez mis ces contacts en urgence quelque part.
De plus, c’est permanent, il n’y a pas de bouton on/off donc si vous ne voulez vraiment pas que ça sonne, faut tout refaire dans l’autre sens.

Vous avez besoin de vous connecter à une plateforme avec différents compte ? Plutôt que d’avoir plusieurs navigateurs ouverts, il suffit d’ouvrir un onglet dans un conteneur pour séparer les cookies.

Pour cela, il suffit de faire un clique-droit sur un onglet ouvert avec le site en question > Ouvrir dans un nouvel onglet conteneur. Un 2e onglet sera ouvert avec la même page mais les informations seront séparées.

De base Firefox propose des noms comme « Personnel », « Professionnel », « Bancaire », « Achats en ligne ».

Les noms ne servent pas à grand chose, vous pouvez ouvrir un nouvel onglet dans n’importe quel conteneur.

Ouvrir 2 onglets dans une même fenêtre côte à côte

Besoin également d’avoir 2 pages internets ouvertes en même temps pour comparer ? Facile, il suffit d’ouvrir les pages en vue scindée.

Il faut que les 2 pages à voir soient ouvertes dans 2 onglets, puis il suffit de faire clique-droit sur le premier onglet ouvert > « Ajouter une vue scindée ».
La liste des onglets ouverts s’ouvre et on choisit le 2e onglet.

Groupes d’onglets

Regrouper des onglets par thème. Très utile pour trier les onglets ouverts avec une étiquette.
Possibilité de déplier ou réduire l’ensemble des onglets du groupe.

Sélectionner les onglets ouverts que vous voulez regroupés en restant appuyé sur ctrl puis clique-droit > « Ajouter les onglets à un groupe ».

Cliquer sur l’étiquette du groupe pour cacher les onglets.

Devoir utiliser une IA pour faire une simple retouche ou devoir sortir un gros logiciel (comme GIMP) est parfois un peu pénible pour pas grand chose surtout quand on ne maîtrise pas.

Je vous propose une application de retouche simple et rapide :

• Recadrer
• Pivoter
• Image en miroir
• Ajouter des formes (barre, rectangle, cercle, polygone) avec remplissage et bordure modifiables
• Modification de la taille du canvas (l’espace de travail)
• Ajouter des flèches modifiables
• Flouter ou pixeliser une zone
• Ajouter du texte modifiable
• Superposer des images en tant que calques
• Possibilité de coller directement des images depuis le presse-papier et même depuis Nautilus
• Ouvrir plusieurs images dans des onglets.

L’installation propose :

• D’installer et d’ouvrir l’application normalement (à lancer depuis les applications d’Ubuntu) pour pouvoir l’épingler en raccourci dans le dock
• D’ajouter un raccourci dans la top bar pour ouvrir une image à modifier
• D’ouvrir une image directement depuis Nautilus avec un clique-droit via les scripts Nautilus.

(Les 3 types d’installation sont compatibles les uns les autres et peuvent être combinés).

Le logiciel est sous licence GPL 3, donc libre.

C’est un projet essentiellement en Python qui devrait être compatible toute distribution Linux.

Pour installer :

• Aller sur https://github.com/Lokoyote/image-editor
• Télécharger le Zip via le gros bouton vert « <> Code » puis Download ZIP
• Extraire le ZIP dans un dossier (et supprimer le ZIP)
• Faire clique-droit sur le fichier « Install.sh » puis Propriétés
• Cocher « Exécutable comme programme »
• Fermer
• Faire de nouveau clique-droit sur le fichier « Install.sh » > Exécuter comme un programme
• Supprimer le dossier dézippé.

Pour désinstaller :

• Faire la même chose avec le fichier « uninstall.sh »

Tout retour sera le bienvenu !

Sous Ubuntu, en fonction de vos applications et de leur type (deb, flatpak ou snap) pour les désinstaller c’est un peu chiant car la désinstallation ne passe pas par les mêmes gestionnaires d’applications ni les mêmes lignes de commande. Et puis faut se souvenir ou chercher si tel logiciel est sous deb, flatpak ou snap.

Ne cherchez plus, voilà une petite extension pour tout avoir au même endroit et désinstaller vos applications en 1 clic !

https://github.com/Lokoyote/App-manager-remover

ou sur https://extensions.gnome.org/extension/9554/app-manager-remover/

Toutes les applications (hors paquets et hors éléments système) sont listées et identifiées, qu’elles soient installées en deb, flatpak ou snap.

Pour rappel :

1. Le format .DEB (Le « Standard » historique)

C’est le format natif de Debian et Ubuntu.

• Fonctionnement : Le fichier contient l’application, mais elle compte sur le système pour fournir les « dépendances » (les bibliothèques de code partagées).
• Avantages : Très léger, parfaitement intégré au look de ton système, et très rapide à lancer.
• Inconvénients : Si ton système est vieux et que l’appli a besoin d’une bibliothèque récente, ça bloque (le fameux « enfer des dépendances »).

2. Flatpak (Le chouchou de la communauté)

Créé pour être universel, il fonctionne sur quasiment toutes les distributions Linux (Fedora, Mint, Ubuntu, etc.).

• Fonctionnement : L’application tourne dans un « bac à sable » (sandbox) isolée du reste du système. Elle embarque tout ce dont elle a besoin.
• Avantages : Très sécurisé, permet d’avoir les toutes dernières versions d’applis même sur un vieux système.
• Inconvénients : Prend plus de place sur le disque et peut être un peu plus lent à charger la première fois.

3. Snap (Le format de Canonical/Ubuntu)

C’est le concurrent direct de Flatpak, développé par la société derrière Ubuntu.

• Fonctionnement : Similaire au Flatpak (isolation et dépendances incluses), mais il gère aussi les composants système (noyau, serveurs).
• Avantages : Idéal pour les serveurs et les objets connectés (IoT). Les mises à jour sont automatiques et transparentes.
• Inconvénients : Souvent critiqué pour la lenteur au démarrage et parce que la partie « serveur » du magasin d’applis est fermée (contrôlée uniquement par Canonical).

Tableau Comparatif Rapide

Lequel choisir ?

• Pour la meilleure performance et que l’appli est dispo officiellement : .deb.
• Pour la version la plus récente d’un logiciel de bureau (comme Discord, GIMP, ou LibreOffice) : Flatpak.
• Snap surtout imposé par Ubuntu par défaut (Firefox, Thunderbird…), mais beaucoup d’utilisateurs le remplacent par Flatpak pour les mêmes raisons de vitesse et de liberté.

Observer comment les gens fonctionnent, de manière indépendante ou collective, est assez fascinant ! On peut extrapoler ça à de nombreux autres domaines pour montrer que, collectivement, nous accomplissons des choses que nous ne pourrions pas faire seuls et qu’on est bien plus que la somme des parties (je vous laisse méditer).

Puis ça se regarde très bien !

Bref, prenez un peu de temps pour regarder les autres vidéos de la chaîne qui se complètent toutes.

S’il y a bien un truc que j’aimais bien avec Unity à l’époque, c’était d’avoir les boutons de contrôle de la fenêtre dans la barre de menu en haut en plein écran pour ne pas chercher les boutons tout le temps, même si avec la nouvelle version de Gnome Shell il n’y a plus de réelle bordure de fenêtre, les boutons ne sont pas forcément très clairs à mon goût.

Il y a une magnifique « Top Bar » en haut un peu vide qui joue de ce fait le rôle de bordure en plein écran mais les boutons restent coincés dans un coin et je trouve que c’est beaucoup plus simple d’avoir les boutons en haut à gauche et non à droite.

Les extensions « Unite » et « Pixel Saver » n’étant plus compatible, j’ai refait l’extension pour Ubuntu 24.04 (Gnome Shell 46.0).

Dispo ici : https://extensions.gnome.org/extension/9241/unity-buttons-title

Malheureusement, mon PC portable de travail étant un Dell XPS 13 de 2016 qui tient toujours très bien la route (à part la batterie HS mais possible à changer), la RAM n’est pas extensible, de ce fait il commence à y avoir quelques lenteurs avec des pages web qui s’amusent à bouffer toute la RAM…

Et du coup, comme Excel n’est toujours pas disponible sous Linux (enfin si, il y a les versions Office 365 gratuites mais limitées, et qu’on ne me parle pas d’OnlyOffice qui crash régulièrement et qui n’a pas toutes les fonctions qu’Excel propose, du coup c’est la galère pour reprendre le travail déjà commencé sur Excel) j’ai dû me résigner à réinstaller une machine virtuelle pour faire tourner Office…

Sachant qu’il faut bien 4 Go de RAM, sur mes 8 Go disponibles c’est très limité.

J’ai alors augmenté la taille de mon SWAP (cette micro-partition qui permet à la RAM de se décharger sur le SSD quand elle est à 60% de sa capacité par défaut) de 4 Go à 8 Go. Mais c’est assez lent tout de même.
Et en cherchant un peu je suis tombé sur ZSWAP et ZRAM.

Alors, la différence est assez subtile et dépend du besoin.

ZSWAP ne remplace pas le SWAP mais sert de « filtre » entre le SWAP et la RAM. En gros, il compresse les données de la RAM pour les garder dans la RAM (donc optimise le volume de données pouvant être stocké dans la RAM) mais décharge dans le SWAP si besoin.

ZRAM crée une partition SWAP dans la RAM directement. C’est une optimisation de la RAM pour compresser les données dans la RAM. L’avantage c’est que c’est hyper rapide mais d’un autre côté il n’y a rien d’écrit, donc si ça plante en cas de surcharge on perd les infos.

La compression n’étant pas magique, ça utilise la puissance CPU du processeur.
Le processeur n’étant pas non plus infini, c’est un choix à faire.

ZSWAP est moins gourmand en énergie, ZRAM est plus agressif (mais c’est réglable en fonction de l’algorithme de compression qu’on choisit apparemment) et consomme plus de CPU mais est mieux pour compresser la RAM.

Personnellement, j’ai choisi ZSWAP par sécurité et je me limite à l’utilisation de la machine virtuelle avec un navigateur léger comme Chromium sur Ubuntu pour ne pas trop en demander et avoir le minimum (ma session Firefox a besoin que je prenne le temps de lire les 300 onglets ouverts ahah).

Procéder en plusieurs étapes

Modifier la taille du swap actuel

Désactiver le swap actuel

sudo swapoff -a

Créer le nouveau fichier de swap (8G pour 8 Go)

sudo fallocate -l 8G /swap.img

Sécuriser le fichier

sudo chmod 600 /swap.img

Formater le fichier en « Swap »

sudo mkswap /swap.img

Réactiver le swap

sudo swapon /swap.img

Vérifier que tout est correct

free -h

Changer le swappiness

Le « swappiness » c’est le % de remplissage de la RAM avant transfert au SWAP.
Par défaut la valeur est à 60. Donc le transfert se fait quand 40% de la RAM est occupée.
Du coup on perd en vitesse alors qu’il reste encore 60% de RAM.
J’ai choisi la valeur de 10, donc j’attends que 90% de la RAM soit pleine pour « swaper ».

Vérifier la valeur actuelle

cat /proc/sys/vm/swappiness

Tester une nouvelle valeur (ouvrir plein de fenêtres et d’onglets pour charger la RAM) et ouvrir le « moniteur système » pour voir la différence)

sudo sysctl vm.swappiness=10

Rendre le réglage permanent

sudo nano /etc/sysctl.conf

Ajouter tout en bas après les lignes commentées

vm.swappiness=10

Sauvegarde avec Ctrl+O, puis Entrée, et quitte avec Ctrl+X.

Activer ZSWAP

Ouvrir GRUB pour l’activer au démarrage

sudo nano /etc/default/grub

Chercher la ligne GRUB_CMDLINE_LINUX_DEFAULT="quiet splash" et la modifier en GRUB_CMDLINE_LINUX_DEFAULT="quiet splash zswap.enabled=1"

Sauvegarde (Ctrl+O, puis Entrée) et quitte (Ctrl+X).

Puis mettre à jour le GRUB

sudo update-grub

Redémarrer le PC.

Refaire un test avec les onglets et les fenêtres et vérifier :

sudo grep -r . /sys/kernel/debug/zswap/

Ce qu’il faut regarder :

• stored_pages : C’est le nombre de pages de mémoire compressées. Si ce chiffre est supérieur à 0, c’est que zswap fonctionne.
• pool_total_size : C’est la place réelle que prend le swap compressé dans la RAM.

Avec ça, la machine virtuelle fonctionne bien et mon PC ne plante pas !

Petit bonus :

Si Firefox vous fait planter le PC parfois, faire Maj + Échap pour voir quel onglet ou extension bouffe les ressources et l’arrêter.

Gérer le manque de RAM (EarlyOOM)

Sur Ubuntu, quand la RAM est pleine, le système « gèle » souvent avant de réagir. EarlyOOM est un petit outil qui intervient plus tôt pour tuer l’application gourmande (comme Firefox) avant que toute la session ne plante et risquer de tout perdre.

Installation : sudo apt install earlyoom

Activation : sudo systemctl enable --now earlyoom

Désormais, si la RAM sature, Firefox sera fermé proprement, mais votre session Ubuntu restera ouverte.

Pour mieux comprendre, j’ai demandé à Gemini de me faire une beau récap’ entre les 2 avec leur différents paramètres :

Le choix de l’algorithme (Compressor)

L’algorithme est le « moteur » qui compresse vos données. Voici les trois plus courants pour les deux systèmes :

1. zstd (Le favori moderne)

• Points forts : Excellent taux de compression (gagne plus de place).
• Points faibles : Utilise un peu plus de CPU que lzo.
• Utilisation : Idéal pour les processeurs récents (Intel Core, AMD Ryzen) où l’on veut maximiser la RAM disponible.

2. lz4 (Le sprinteur)

• Points forts : Ultra-rapide pour décompresser. Presque aucun impact sur le processeur.
• Points faibles : Compresse moins bien (les fichiers restent plus gros).
• Utilisation : PC anciens, processeurs faibles (Atom, Celeron) ou si vous jouez à des jeux très gourmands.

3. lzo / lzo-rle (Le classique)

• Points forts : Très stable, souvent l’option par défaut historique.
• Points faibles : Dépassé par lz4 en vitesse et par zstd en compression.
• Utilisation : Compatibilité par défaut si vous ne voulez rien toucher.

Internet c’est pratique pour l’administratif mine de rien ! Plus besoin de paperasse à rallonge, de formulaires à transférer entre les services, moins de risques d’erreur liées à la recopie des papiers par les personnes en charge de remplir les dossiers, gain de temps pour remplir des formulaires etc.

Le revers de la médaille étant bien évidemment le stockage des informations sur des serveurs avec les risques de vol d’informations.

Le problème, c’est que le vol de données c’est pas simple à voir sur un serveur. Ce n’est pas comme voler chez quelqu’un, il n’y a pas forcément de trace d’effraction. Puis si la porte est laissée grande ouverte par inadvertance, personne ne peut savoir qu’il y a eu intrusion.

Évidemment, beaucoup de sites se font pirater. Certaines informations sont stockées sur des serveurs reliés à internet alors qu’ils ne devraient pas et des informations sensibles sont accessibles.

On oublie bien souvent que nos informations administratives sont également touchées par ces vols.

France Travail a été récemment touché par un acte de vol de données. Ce n’est pas la première fois et ça ne sera pas la dernière.

Cependant, ce qui me surprend toujours c’est la minimisation des risques qui entourent les données.

Je cite :

Parmi les éléments concernés, on trouverait notamment les « noms et prénoms, dates de naissance, identifiants France Travail, adresses mail et postale et numéros de téléphone ». Les données bancaires ne sont, elles, pas concernées, ajoute France Travail.

Comme si la seule donnée sensible était les données bancaires et que le reste n’avait pas vraiment d’importance.
C’est une phrase bateau qu’on retrouve souvent dans les communiqués envoyés afin de noyer le poisson et de minimiser la panique et la gravité de ces vols.

La vraie question c’est de savoir ce qu’on peut faire avec les autres données volées autres que les données bancaires !

Le risque principal reste le « phishing » ciblé.

Les pirates peuvent se servir des données volées pour envoyer des mails, SMS ou appels très crédibles, semblant venir de France Travail, d’une banque, d’un recruteur ou de tout autre organisme.

J’ai récemment été confronté à ce souci :

Je reçois un appel un jour, alors que j’étais au travail, d’un organisme disant être lié à ma mutuelle et que je devais voir avec eux pour une procédure afin de débloquer une option de remboursement sur mon compte.

Après quelques échanges, on me demande de confirmer certaines informations comme mon mail et autres, tout en me donnant des informations personnelles telle que mon organisme mutuelle, mon adresse postale, mon numéro de téléphone et d’autres infos qu’ils avaient. L’échange se poursuit un peu et on me dit qu’on va me mettre en communication avec un responsable pour la suite du dossier. On me rappelle certaines informations et on me demande finalement de « confirmer » mon RIB. La confirmation est évidemment fausse, ils voulaient que je leur donne mon RIB tout simplement.

Ce qu’on peut faire avec un RIB ? Des fraudes SEPA évidemment (des prélèvements sur votre compte sans autorisation SEPA), de l’usurpation d’identité bancaire et du phishing ciblé pour plus tard (en m’envoyant de fausses alertes en se faisant passer pour ma banque pour prélever de l’argent).

Évidemment, j’avais un doute, mais là clairement c’était du phishing. Ne jamais donner des informations personnelles de ce type par téléphone ! Je les ai bloqué et reporté en SPAM téléphonique.

J’ai attendu de voir comment l’échange allait se poursuivre en étant conscient que c’était potentiellement une arnaque car je suis méfiant et que je sais que ça existe.

Beaucoup de personne ne sont pas aussi méfiantes et peuvent clairement se faire avoir car on a l’interlocuteur met en confiance et semble de bonne foi, qu’il a réellement un dossier avec des informations qu’on a l’impression d’avoir déjà fournies, on ne se doute pas tout de suite que ça peut être une tentative d’escroquerie.

Le point d’entrée sensible : votre boîte mail

Vous n’imaginez pas à quel point votre boîte mail DOIT être très importante à sécuriser. Surtout si vous n’avez qu’une seule boîte mail.
Administrativement, même si c’est un peu en train de changer et de se sécuriser d’avantage, pour se connecter à vos comptes en lignes on peut utiliser :

• Votre adresse mail
• Votre numéro de téléphone
• Votre identifiant

Il faudra ensuite votre mot de passe. Ce mot de passe peut être modifié et récupéré via votre mail avec les options « mot de passe oublié ». Il suffira à quelqu’un d’avoir accès à votre boîte mail pour pourvoir absolument tout récupérer. C’est pour ça qu’il est important d’activer la double authentification : https://www.cybermalveillance.gouv.fr/tous-nos-contenus/actualites/double-authentification
(ce n’est pas parfait mais c’est toujours mieux que rien !).

Si vous ne devez le faire que sur une chose, faites le pour votre boîte mail et choisissez un mot de passe fort ! (long, avec beaucoup de caractères, une phrase. C’est le nombre de caractères qui compte le plus dans la robustesse, minimum 16 caractères — https://nordpass.com/fr/blog/how-long-should-password-be/).

On m’a récemment partagé une astuce très intéressante : savez-vous que vous pouviez créer quasiment autant d’adresse mail que vous le souhaitez ? Pour cela, il faut utiliser des Alias, ce sont des dérivés de votre adresse mail qui permettent de vous inscrire facilement sur différents sites sans devoir utiliser votre adresse mail principale. Même si elle est liée à votre mail principal, quand il s’agira de données volées et réutilisées en masse, les pirates ne feront pas attention qu’il s’agit d’un alias.
L’astuce est donc de créer un alias pour chaque compte. Par exemple, pour vous inscrire sur Amazon, utilisez un alias avec le nom « amazon ».
Comme ça, si un jour vous recevez un mail de banque destiné à votre adresse mail contenant l’alias « amazon » vous saurez qu’il y a eu potentiellement une fuite de données chez Amazon et que le mail reçu est faux.

À lire pour connaître les différences entre mail jetables et alias et comprendre lesquels sont mieux que d’autres.

Autre risque, l’usurpation d’identité

Avec des informations comme le nom complet, l’adresse, la date de naissance et le numéro de sécurité sociale, les cybercriminels peuvent :

• Ouvrir des comptes bancaires ou des crédits à votre nom et vous endetter sans que vous ne le sachiez.
• Accéder à certains services publics ou privés à distance en se servant de vos vraies informations qui permettent de créer un compte et de récupérer ensuite de l’argent.
• Modifier des informations administratives (via des services en ligne comme Ameli, impots.gouv, etc.) et récupérer l’argent des droits.

Fraude sociale ou administrative

Les données peuvent être utilisées pour faire de fausses démarches auprès de services sociaux, comme la CAF, Pôle emploi, ou la Sécurité sociale.
L’argent sera ensuite reversé sur un compte bancaire qui n’est pas le votre.

Revente de données sur le dark web

Même si elles ne sont pas utilisées immédiatement, ces données peuvent être revendues à d’autres groupes cybercriminels.
Ces infos de masses serviront plus tard à du faux démarchages pour essayer de voler votre argent par des fausses campagnes de mail ou téléphoniques.

Le recoupement de données, la clé de voûte de toute bonne usurpation

Recouper les données c’est simplement rapprocher des données qui semblent être liées.

C’est de plus en plus simple avec la masse de données qu’on laisse sur internet, à partir d’un pseudo il est possible de retrouver une personne parfois.

Avec l’arrivée des outils d’IA ça sera encore plus simple et plus rapide de reconstituer des profils complets de personne avec des bribes d’informations disséminées de partout sur le net.
Ces informations, indépendamment les unes des autres, ne sont pas vraiment exploitables mais mises bout-à-bout permettent d’avoir la totalité des informations requises pour usurper l’identité de quelqu’un.

Un vol de données sur 2 sites internet sans aucun rapport l’un de l’autre peuvent être suffisant pour faire coïncider suffisamment d’informations.

Il ne faut pas oublier que toutes données volées restent volées !

On ne change pas son nom, prénom, date de naissance, numéro de sécurité sociale, numéro de permis, carte d’identité et autres comme on change un mot de passe. Une fois que c’est volé, ça reste trouvable et il n’y a plus qu’à attendre que les reste des informations tombent et de les recouper pour avoir votre profil complet.

Une minimisation des risques pour minimiser la panique

Minimiser la panique peut se comprendre, mais minimiser le risque, je ne suis pas d’accord.

Les différentes techniques employées :

• Dire qu’il ne s’agit que d’une simple « consultation » et non d’un « vol » de données :
  la simple consultation par un tiers malveillant est déjà une violation grave.
• Insister sur l’absence de données « sensibles » :
  Cela relativise la gravité de la fuite, même si d’autres données personnelles (nom, e‑mail, date de naissance, statut professionnel) permettent déjà de mener des attaques sérieuses, comme le phishing ciblé ou l’usurpation d’identité.
• Minimiser le nombre de personnes touchées :
  Ils évitent parfois de rappeler que plusieurs attaques successives peuvent toucher des millions de personnes au total (ex. : France Travail en 2024 + 2025 = potentiellement plus de 43 millions cumulés).
• Éviter de parler de conséquences concrètes :
  Le discours officiel évite presque toujours les termes comme « usurpation d’identité », « fraude », « escroquerie », « phishing » etc.
  À la place, on lit souvent :
  « Nous n’avons à ce jour aucune preuve d’utilisation frauduleuse des données. » (exemple concret, autre exemple).
  Mais cela ne signifie pas que le risque est inexistant, seulement qu’aucune victime ne s’est encore manifestée ou que la preuve est difficile à établir.
• Communiqué rassurant, médiatisation contrôlée :
  « Nous avons immédiatement pris les mesures nécessaires. », « Une enquête est en cours. », « La CNIL a été informée. »

Les administrations minimisent souvent les risques réels après une fuite de données par choix stratégique : elles communiquent de manière à protéger leur image, tout en respectant formellement la loi (notamment le RGPD qui impose une information des personnes concernées).

Mais la réalité technique est souvent bien plus grave que ce que le langage officiel laisse entendre.

Enquête et sanctions CNIL

La CNIL ouvre une enquête pour déterminer si l’organisme a :

• respecté le RGPD (Règlement général sur la protection des données),
• mis en place des mesures de sécurité suffisantes et proportionnées (article 32 du RGPD),
• notifié correctement les personnes concernées.

Si des manquements sont constatés, la CNIL peut prononcer :

• un avertissement,
• une mise en demeure (corriger la sécurité, revoir la gouvernance…),
• une amende administrative.

Les personnes atteintes par le vol de données, elles, ne gagnent souvent rien.

L’usurpation d’identité peut se faire avec moins de documents que ce que beaucoup de gens imaginent

Documents ou informations souvent suffisants pour une usurpation d’identité :

• Document d’identité officiel (ou une copie numérique) : Carte nationale d’identité (CNI), Passeport. Une simple photo ou scan suffit, surtout avec les services en ligne (banques, opérateurs télécom, etc.).
• Justificatif de domicile : Facture (électricité, gaz, téléphone, etc.), Avis d’imposition, Attestation d’hébergement.

Exemples concrets de fraude avec usurpation :

1. Ouvrir un compte bancaire en ligne

De nombreuses banques en lignepermettent une ouverture de compte avec :

• une pièce d’identité scannée,
• un justificatif de domicile,
• un selfie ou une vidéo de « vérification d’identité » (facilement contournable avec de fausses images ou des IA).

2. Souscrire un crédit à la consommation ou acheter un téléphone à crédit

Un fraudeur peut :

• utiliser vos infos + un faux RIB
• passer commande à votre nom
• laisser la dette à votre charge (jusqu’à contestation)

3. Informations personnelles clés

Même sans scan de documents, certaines informations personnelles suffisent parfois à créer un faux profil “crédible”, notamment pour les services automatisés :

• Nom et prénom
• Date et lieu de naissance
• Adresse postale
• Numéro de téléphone
• Adresse e‑mail
• Numéro de sécurité sociale (NIR)
• Situation professionnelle (ex : demandeur d’emploi, salarié)

Ces données sont souvent présentes dans des bases piratées, comme celles de France Travail.

4. Créer des comptes administratifs (Ameli, impots.gouv, CAF)

• Accès à vos droits sociaux
• Détournement de prestations
• Modification d’informations personnelles

Un risque négligé : les dossiers de bailleur

Les dossiers locatifs exigés par de nombreux bailleurs (particuliers ou agences) contiennent exactement les pièces nécessaires à une usurpation d’identité complète.

➔ Ce qu’un bailleur demande souvent pour un dossier de location :

1. Pièce d’identité (CNI, passeport, permis)
2. Justificatif de domicile actuel
3. Trois dernières fiches de paie ou attestation Pôle emploi
4. Avis d’imposition
5. Relevé d’identité bancaire (RIB)
6. Contrat de travail ou attestation de l’employeur
7. Justificatif de situation professionnelle ou de revenus (CAF, France Travail, etc.)

➔ Que peut faire un fraudeur avec ce dossier ?

Ces documents cumulés permettent de :

• Usurper complètement l’identité de la personne (nom, adresse, emploi, signature, NIR, etc.)
• Ouvrir des comptes bancaires ou souscrire à des crédits
• Déclarer de fausses situations sociales (CAF, RSA, etc.)
• Accéder à des services publics (Ameli, FranceConnect, etc.)
• Créer de fausses sociétés ou déclarations d’auto-entrepreneurs
• Faire du blanchiment d’argent ou sous-louer illégalement un logement en se faisant passer pour le locataire

Votre fiche de paie contient énormément d’informations personnelles telles que votre numéro de sécurité sociale, votre adresse, vos noms et prénoms.

Le problème : l’envoi de ces dossiers n’est pas encadré ni sécurisé

• Beaucoup de locataires envoient leur dossier par e-mail, via des plateformes peu fiables, ou à des inconnus sur des sites d’annonces (ex : LeBonCoin, PAP, Facebook).
• Il n’est pas rare que de faux bailleurs publient de fausses annonces uniquement pour collecter des dizaines de dossiers contenant des pièces sensibles.
• Il n’y a aucune obligation légale pour le bailleur de prouver son identité ou son intention réelle de louer.

Une personne voit une annonce d’un logement intéressant, contact l’annonceur qui lui demande d’envoyer un dossier complet afin de faire sa sélection avant que la personne ne puisse voir le logement. La personne se sent obligée de fournir l’ensemble des documents pour attester sa bonne foi en voulant maximiser les chances d’avoir le logement et fait donc la démarche comme c’est souvent demandé et se fait voler son identité.

J’avais contacté la Banque de France il y a quelques années pour justement avoir des informations sur cette pratique, mon interlocuteur m’avait dit qu’il y avait énormément de fraudes et de cas de vols de données suite à ce genre de pratique.

Ce n’est malheureusement pas illégal de demander autant d’informations pour un bailleur. Par contre il existe des techniques pour se protéger.

Principes de base pour sécuriser vos documents

Ce que vous pouvez masquer légalement (ou restreindre)

Vous devez laisser visibles les éléments qui prouvent la cohérence de votre situation (nom, adresse, employeur, date), mais vous pouvez masquer toute donnée numérique pouvant être utilisée pour une fraude.

L’apposition d’un filigrane peut également être un atout même s’ils sont de plus en plus simples à enlever avec les IA. Si jamais, un outil du gouvernement existe : https://filigrane.beta.gouv.fr/
Il est possible de le faire vous-même avec un logiciel pour PDF ou d’images.

Demandez la légitimité du destinataire

Avant d’envoyer quoi que ce soit, vous avez le droit d’exiger :

• Une copie de la pièce d’identité du bailleur
• Un titre de propriété ou taxe foncière
• Un RIB du bailleur à son nom
• Un mandat de gestion (si c’est une agence)

Si la personne refuse de vous fournir ces preuves mais exige vos documents complets, c’est un signal d’alerte fort.

Vous pouvez également vérifier si des comptes à votre nom ne sont pas ouverts via le fichier FICOBA (Fichier des Comptes Bancaires) : https://www.cnil.fr/fr/saisir-la-cnil/ficoba-fichier-national-des-comptes-bancaires-et-assimiles