Aller au contenu

BALASAGUN · le propre modèle de langage de BRAINSTORM

Balasagun : la ville du Kutadgu Bilig

Balasagun était l'une des capitales des Karakhanides, dans le bassin de la Tchou, sur le territoire de l'actuel Kirghizistan. Yusuf Has Hacib, auteur du Kutadgu Bilig, est né dans cette ville et y a commencé son œuvre ; il l'a achevée à Kachgar en 1069–70.

Kutadgu Bilig signifie « le savoir d'être heureux ». Notre modèle tire son nom de cette ville.

Créez votre propre modèle de langage.

Un modèle de langage d'IA conçu pour vous, qui vit et travaille sur votre propre serveur ou sur des GPU loués. Il parle la langue de votre métier ; sauf si vous en décidez autrement, vos questions et vos documents ne partent jamais vers une autre entreprise d'IA.

Demander un devisComment ça fonctionne ?

Statut

En développement · Étape 0 / 3 · octobre 2026

Fonctionnement

Le modèle vit sur votre serveur

VOTRE SERVEUR · ou GPU loué011011001001101101SERVICE D'IA EXTERNE✕VOS SYSTÈMESPMS · ERP · SCADAVOS DOCUMENTSrèglements · politiquesBALASAGUNsur votre serveurBALASAGUNOUTILScalculs · ordres de travailUTILISATEURSChambre 304 : la climatisationne fonctionne pas.chambre 304 · journal de maintenanceordre de travail : clim, chambre 304Ordre de travail ouvert ;l'équipe est en route.Appartement : 12 kW installés.Quelle est la puissance appelée ?Règl. des installations électriquesart. 57 · facteurs de simultanéité8 kW × 0,6 + 4 kW × 0,4Puissance appelée : 6,4 kW.Source : Règl. installations, art. 57

Animation : le fonctionnement visé. Le modèle est encore en cours de développement.

HÔTEL

  1. Un client écrit à la réception : « La climatisation de la chambre 304 ne fonctionne pas. »
  2. BALASAGUN tourne sur le serveur de l'hôtel ; la question ne part vers aucune autre entreprise.
  3. Il consulte le journal de maintenance de la chambre et le système de l'hôtel.
  4. Il ouvre un ordre de travail pour le service technique.
  5. La réponse revient au client ; l'ordre de travail est au service technique.

ÉLECTRICITÉ

  1. Un ingénieur demande : « La puissance installée de l'appartement est de 12 kW. Quelle est la puissance appelée ? »
  2. Le modèle réfléchit sur votre serveur.
  3. Il lit la règle de simultanéité dans le règlement lui-même, pas de mémoire.
  4. Il calcule avec un outil : 0,6 pour les 8 premiers kW, 0,4 pour le reste.
  5. La réponse revient avec sa source : une puissance appelée de 6,4 kW.
  1. 1 · Une question arriveun client, un membre du personnel ou un ingénieur la pose
  2. 2 · Le modèle réfléchitsur votre serveur, sans passer par une autre entreprise
  3. 3 · Il consulte la sourcerèglement, journal de maintenance, politique de l'hôtel
  4. 4 · Il agitcalcule, ouvre un ordre de travail
  5. 5 · La réponse revientaccompagnée de sa source

Qu'est-ce que BALASAGUN ?

Notre propre modèle de langage pour l'ingénierie électrique et l'hôtellerie

BALASAGUN est le modèle de langage d'IA que nous entraînons en ce moment pour l'ingénierie électrique et la gestion hôtelière. Nous n'entraînons pas à partir de zéro : nous prenons des modèles de langage open source, nous les entraînons avec notre propre savoir-faire d'ingénierie pour le secteur visé, puis nous les mettons en service et les exploitons. Ainsi, plutôt que d'utiliser des modèles de langage coûteux, nous créons des solutions avec notre propre modèle de langage. Nous pouvons également configurer votre propre LLM, que nous développerons pour vous, afin qu'il fonctionne en mode hybride avec les autres LLM de votre choix.

  • Gestion hôtelière

    Questions des clients, service technique, suivi de l'énergie et de la maintenance, tâches du personnel. Les règles et les prix propres à l'hôtel sont lus dans ses documents à chaque question.

  • Ingénierie électrique

    Réglementation turque sur les installations électriques, la mise à la terre et les installations à courant fort ; calculs de chute de tension, de puissance appelée, de relevé et de métré.

  • Premiers utilisateurs : nos propres produits

    Le logiciel de relevé Elektrik GPT, Leyla, l'assistante de ce site, et ARI Suivi Énergétique seront les premiers produits à utiliser BALASAGUN.

    Elektrik GPTPlateforme Énergie

Notre méthode

Votre modèle en cinq étapes

Chaque modèle passe par les mêmes cinq étapes. C'est ainsi que nous entraînons BALASAGUN, et c'est ainsi que nous construisons le vôtre.

Comment il se forme

D'un modèle ouvert à votre modèle

VOTRE ENVIRONNEMENT DÉDIÉ✓✓✓NOTRE JEU DE TESTmodèle de basemodèle adaptécible : base + au moins 10 ptsMODÈLE OUVERTApache 2.0VOS CONNAISSANCESvalidées par des expertsGPU · AJUSTEMENT FINLoRAVOTRE PROPRE SERVEURGPU LOUÉqui vous est dédié
  1. On choisit un modèle de base sous licence autorisant l'usage commercial (Apache 2.0). Pas d'entraînement à partir de zéro.
  2. La réglementation, vos propres documents et des règles validées par des experts sont ajoutés ; la source de chaque enregistrement est suivie.
  3. Ajustement fin avec LoRA sur un GPU : le modèle apprend la langue de votre métier.
  4. Il est testé sur notre propre jeu de test. S'il ne bat pas le modèle de base, il n'est pas mis en service.
  5. Il est installé sur votre propre serveur ou sur un GPU loué qui vous est dédié.
  1. 1 · Choix d'un modèle ouvertApache 2.0, usage commercial autorisé ; la licence est lue dans la fiche du modèle
  2. 2 · Ajout de vos connaissancesréglementation, vos documents, règles validées par des experts ; la source de chaque enregistrement est suivie
  3. 3 · Ajustement fin sur GPULoRA ; pas d'entraînement à partir de zéro
  4. 4 · L'examennotre propre jeu de test ; s'il ne bat pas le modèle de base, il n'est pas mis en service
  5. 5 · Installé chez vousvotre propre serveur ou un GPU loué qui vous est dédié ; pour les données personnelles, nous recommandons votre propre serveur

Nos engagements

Quatre engagements

  • Vos données sous votre contrôle

    Le modèle est entraîné et fonctionne sur votre propre serveur ou sur un GPU loué qui vous est dédié. Pour les modèles qui traiteront des données personnelles, nous recommandons votre propre serveur. L'envoi de requêtes au modèle cloud d'une autre entreprise d'IA n'a lieu que pour les tâches que vous choisissez, et seulement si vous le souhaitez.

  • Un modèle sous licence claire, des données traçables

    Le modèle de base est toujours sous licence autorisant l'usage commercial (Apache 2.0 / MIT). Chaque enregistrement d'entraînement conserve sa source et sa note de licence, et peut être retiré de l'entraînement en une seule commande.

  • Rien d'appris par cœur

    Les informations qui changent, comme les prix, les numéros d'articles ou les politiques, ne sont jamais apprises par cœur par le modèle ; elles sont lues dans le document à chaque question. Quand l'information change, il n'est pas nécessaire de réentraîner le modèle.

  • Rien en service sans mesure

    Chaque version est comparée au modèle de base sur notre propre jeu de test ; une version qui ne le bat pas n'est pas utilisée. Notre objectif pour la première version de BALASAGUN : au moins 10 points de mieux au total, et aucun domaine en recul de plus de 2 points.

Où nous en sommes

Un état des lieux honnête

La première version n'est pas encore entraînée ; nous mettons cette section à jour au fil de l'avancement.

  1. 0maintenant

    Jeu de test et mise en concurrence des modèles de base

  2. 1

    Chaîne de données

  3. 2

    Entraînement de la première version (v0.1)

  4. 3

    Mise en service et intégration

  5. v1

    Version élargie

Infrastructure d'entraînement

Le modèle d'entraînement de BALASAGUN

Ce que nous avons fait jusqu'ici, avec les journaux réels : la mise en concurrence des modèles de base et le premier entraînement d'essai LoRA. L'entraînement complet est la prochaine étape ; nous montrons ici exactement ce qui s'est passé.

Mise en concurrence des modèles de base

Cinq modèles open source ont été mis en concurrence sur 50 questions de notre propre jeu de test (25 en électricité, 25 en hôtellerie) ; un modèle juge à poids ouverts a noté les réponses. Nous avons retenu comme base Qwen3.6-35B-A3B : premier en ingénierie électrique, sous licence Apache-2.0 et adapté pour mettre en service ensemble les deux adaptateurs de domaine sur un seul GPU.

ModèleTotalÉlectricitéHôtel
google/gemma-4-26B-A4B-it87,276,098,4
Qwen/Qwen3.6-35B-A3Bretenu84,686,482,8
google/gemma-4-12B-it79,664,095,2
Qwen/Qwen3.5-9B73,872,475,2
mistralai/Mistral-Small-3.2-24B-Instruct-250664,655,274,0

Scores sur 100 · juge : Qwen3.8-27B · 19 octobre 2026

Premier entraînement d'essai LoRA

Avant l'entraînement complet, nous avons testé le dispositif de bout en bout : deux adaptateurs LoRA (électricité, hôtel) ont été entraînés sur 20 pas chacun, sur la même base. L'entraînement a fonctionné ; l'étape suivante, la mise en service avec vLLM, s'est arrêtée sur une erreur lors de cet essai et est en cours de correction.

GPU
NVIDIA A100 SXM 80 GB (loué, RunPod)
VRAM utilisée
69,3 Go (pic à 69,6 Go)
Chargement du modèle
228 s
Entraînement
2 adaptateurs × 20 pas, 42 s
Paramètres entraînés
3 440 640 par adaptateur (LoRA r=16)
Loss
électricité 3,89 → 0,88 · hôtel 2,13 → 0,31
Durée du pod
17 min ; supprimé à la fin du travail
Extrait du journal du pod (tel quel)
15:18:59Z {"olay": "yuklendi", "sn": 228.0, "vram_gb": 69.3, "sinif": "Qwen3_5MoeForCausalLM"}
15:19:00Z {"olay": "adaptor", "adaptor": "elektrik", "egitilebilir": 3440640}
15:19:03Z {"olay": "adim", "adaptor": "elektrik", "adim": 0, "loss": 3.892}
15:19:22Z {"olay": "adim", "adaptor": "elektrik", "adim": 19, "loss": 0.8816}
15:19:22Z {"olay": "adaptor", "adaptor": "otel", "egitilebilir": 3440640}
15:19:23Z {"olay": "adim", "adaptor": "otel", "adim": 0, "loss": 2.1289}
15:19:41Z {"olay": "adim", "adaptor": "otel", "adim": 19, "loss": 0.306}
15:19:42Z {"olay": "egitim_bitti", "sn": 270.4, "vram_gb_max": 69.6}
15:20:00Z vLLM version 0.31.0 · model Qwen/Qwen3.6-35B-A3B · lora_modules: elektrik, otel
Durum: BAŞARISIZ — vLLM kapandı (vllm-exited) · GPU: NVIDIA A100-SXM4-80GB · süre: 17 dk

Heures en UTC. Les lignes proviennent du journal de notre propre script d'entraînement.

Depuis la console RunPod

Cartes GPU dans la console RunPod ; la carte A100 SXM avec 80 GB de VRAM est en surbrillance.
Choix du GPU : l'entraînement d'essai a tourné sur un A100 SXM 80 GB (en surbrillance). Les prix et la disponibilité sont des valeurs en temps réel.
Journal d'audit RunPod avec les lignes de création et de suppression du pod ; l'adresse e-mail et les identifiants de clés sont masqués.
Journal d'audit : le pod d'essai a été créé à 18:07 et supprimé à 18:25 (heure de Turquie). Les informations du compte sont masquées.

Les logiciels que nous utilisons

  • Qwen3.6-35B-A3B

    modèle de base (Apache-2.0)

  • PyTorch + Hugging Face Transformers

    chargement et entraînement du modèle

  • PEFT (LoRA)

    adaptateurs de domaine (électricité, hôtel)

  • vLLM 0.31.0

    évaluation et mise en service (point de terminaison compatible OpenAI)

  • Pods GPU RunPod

    serveurs loués avec A100 80 GB et RTX A6000 48 GB

  • Hugging Face Hub

    dépôts privés pour les modèles et les adaptateurs

  • Python 3.12 + uv

    chaîne de données, jeu de test et évaluateurs

  • Garde-fou des coûts + nettoyeur Oracle

    un pod s'arrête à la fin de son travail ; un pod oublié est supprimé au bout de 1,5 heure

Prochaine étape : l'entraînement complet

Entraînement LoRA en bf16 sur des données validées par des experts, sur un GPU de 80–96 Go (A100 80 GB ou RTX PRO 6000 96 GB). Chaque adaptateur est mesuré sur le jeu de test de son propre domaine ; une version qui ne bat pas le modèle de base n'est pas mise en service.

Pour votre secteur

Nous pouvons aussi en créer un pour votre secteur.

Comme nous l'avons fait pour nous-mêmes avec BALASAGUN, nous créons et entraînons votre propre modèle de langage pour votre secteur : sur votre propre serveur ou sur des GPU loués.

  • Santé

    Information des patients, recherche dans les protocoles et les guides des médicaments. Les données des patients restent sur le serveur de l'hôpital.

  • Droit

    Archives des dossiers et recherche de jurisprudence, projets de requêtes. Les dossiers des clients restent au cabinet.

  • Finance et comptabilité

    Lecture des factures, questions réglementaires, synthèses de comptes. Les données financières restent sur le serveur de l'entreprise.

  • Industrie et production

    Manuels des machines, journaux de maintenance, diagnostic des pannes. Les données de production restent à l'usine.

  • Énergie et infrastructures

    Rapports de terrain, journaux de défauts, documents des installations. Les données du réseau et des installations restent chez vous.

  • Secteur public et collectivités

    Réponses aux demandes des citoyens, recherche dans la réglementation. Les données personnelles restent sur le serveur de l'institution.

  • Éducation

    Contenus de cours et assistant de connaissances interne. Les données des élèves restent dans l'établissement.

  • Commerce et e-commerce

    Catalogue produits, service client, règles de retour. Les données des clients restent chez vous.

Votre secteur n'est pas dans la liste ? Écrivez-nous ; parlons d'abord de votre activité et de vos données.Demander un devis

Travailler ensemble

De la première conversation à un modèle opérationnel

Le délai et le prix dépendent de votre activité et de vos données ; après l'entretien de découverte, nous vous envoyons un devis écrit.

  1. 1. Entretien de découverte

    Nous parlons de votre activité, de vos données et de vos exigences de confidentialité.

  2. 2. Inventaire des données et jeu de test

    Nous listons les documents et les enregistrements qui seront utilisés et constituons un jeu de test à partir de vos vraies questions.

  3. 3. Modèle pilote

    Nous mettons en concurrence des modèles de base candidats, adaptons le gagnant par ajustement fin et vous remettons le rapport de mesure.

  4. 4. Installation

    Nous installons le modèle sur votre propre serveur ou sur un GPU loué qui vous est dédié, et le connectons à vos systèmes.

  5. 5. Maintenance et nouvelles versions

    Nous mettons le modèle à jour avec de nouveaux documents et de nouvelles questions, et mesurons à nouveau chaque version.

Installation de serveurs et de centre de données (F09)

Devis

Parlez-nous de votre secteur et de vos données ; nous préparerons un devis pour votre propre modèle.

Décrivez brièvement votre activité et les données dont vous disposez ; nous vous recontacterons pour organiser un entretien de découverte.

Choisissez la ligne qui vous intéresse

Il suffit de décrire la situation actuelle et le résultat recherché.

Votre message arrive directement à notre équipe. Pour l'orienter vers la bonne ligne, le texte du message est pré-classé par IA ; votre nom et vos coordonnées ne sont pas transmis à cette étape.