Le magazine de l'innovation en Afrique
Lelapa AI : et si les contraintes africaines devenaient un avantage pour l'IA ?
Publié hier
Quand une application bancaire ne comprend pas le zoulou, le problème n'est pas seulement linguistique. Quand un service public numérique ne fonctionne qu'en anglais, une partie de ses utilisateurs peut se retrouver de fait à l'écart.
Pour les modèles d'IA développés ailleurs, le contexte local peut être tout aussi difficile à comprendre que la langue elle-même.
C'est dans cet espace que Lelapa AI a choisi de travailler.
Pas pour créer une énième IA générative. Mais pour construire des systèmes linguistiques capables de fonctionner dans des contextes où les données sont fragmentées, les ressources de calcul limitées et les langues nombreuses.
Partir de la contrainte
Les langues africaines restent encore largement sous-représentées dans les données et les modèles d'IA disponibles. Les données sont souvent limitées et les performances des modèles peuvent varier fortement d'une langue à l'autre.
Lelapa AI part précisément de ce problème.
Fondée à Johannesburg en décembre 2022 par Pelonomi Moiloa et Jade Abbott, l'entreprise développe des systèmes d'IA linguistique adaptés aux langues africaines, mais aussi pensés pour être économes en ressources.
Car pour Lelapa, le sujet n'est pas uniquement de faire fonctionner une IA dans davantage de langues. Il est aussi de réduire les ressources nécessaires pour la faire fonctionner.
Dans une interview accordée à Rest of World en 2024, Pelonomi Moiloa expliquait que le manque de données pour les langues africaines était bien réel, mais que les modèles de langage pouvaient aussi apprendre à être plus efficaces et à apprendre avec moins de données.
Cette approche répond à une réalité très concrète du continent : quand la puissance de calcul, les données ou les budgets ne sont pas illimités, l'efficacité n'est plus une optimisation. Elle devient une condition de déploiement.
Une IA qui commence par le contexte
L'ambition de Lelapa va donc au-delà de la simple traduction : il s'agit de construire des systèmes linguistiques adaptés à des contextes où les données, les infrastructures et les langues disponibles imposent d'autres contraintes.
Pelonomi Moiloa résume le problème autrement : les modèles développés ailleurs peuvent manquer de compréhension du contexte local et embarquer des perspectives qui ne correspondent pas nécessairement aux communautés auxquelles ils s'adressent.
La question devient alors moins « comment traduire ce modèle ? » que « comment construire un modèle qui comprend réellement les personnes qui vont l'utiliser ? »
Cette question est au cœur du travail de Lelapa.
L'entreprise développe notamment InkubaLM, un Small Language Model multilingue conçu pour les langues africaines, ainsi que Vulavula, un service de traitement automatique du langage capable notamment de transcrire, traduire et analyser des contenus dans des langues locales comme l'isiZulu et le Sesotho.
Vulavula est notamment pensé pour les centres de contact dans les télécoms et les services financiers, où les conversations multilingues peuvent ensuite être transcrites, traduites et analysées.
La langue n'est donc plus seulement une question d'interface. Elle devient une question de qualité de service, d'accès et, pour une entreprise, de capacité à comprendre ses propres utilisateurs.
Le parcours derrière le projet
Le parcours de Pelonomi Moiloa est lui-même assez éloigné d'une trajectoire classique dans l'IA.
Ingénieure biomédicale de formation, elle a travaillé au Japon sur l'analyse d'images médicales à l'aide de réseaux neuronaux, avant de poursuivre son parcours dans la science des données, puis chez Nedbank.
Elle y a notamment dirigé des projets autour de la détection de fraude, des ressources humaines et du marketing.
En 2022, elle cofonde Lelapa AI avec Jade Abbott.
Ce parcours raconte quelque chose d'intéressant sur la manière dont certains projets africains d'IA émergent : pas nécessairement d'une course au modèle le plus grand, mais du croisement entre recherche, données, usages réels et contraintes concrètes.
Construire avec moins pour aller plus loin
Lelapa revendique aujourd'hui une approche fondée sur l'efficacité dès la conception.
Plutôt que de construire des systèmes massifs pour chercher ensuite à les rendre moins coûteux, l'entreprise affirme intégrer cette contrainte dès les premières étapes : des modèles moins gourmands en ressources, plus abordables et capables d'être déployés dans des environnements où l'infrastructure n'est pas toujours abondante.
Et c'est peut-être là que l'histoire de Lelapa devient intéressante au-delà des langues africaines.
Une contrainte locale peut devenir un laboratoire d'innovation.
Si une IA doit fonctionner avec moins de données, moins de puissance de calcul et dans des contextes linguistiques complexes, elle oblige à repenser la manière même dont on construit ces systèmes.
\Le sujet n'est donc plus seulement de savoir quel modèle choisir, mais de demander : ce modèle a-t-il été pensé pour mes utilisateurs, mon contexte et mes contraintes ou simplement adapté après coup ?
Construire pour l'Afrique, ce n'est pas seulement adapter une technologie existante.
C'est parfois commencer par écouter les problèmes qu'elle doit résoudre.
Ce n'est peut-être pas à l'Afrique de rattraper l'IA.
C'est peut-être à l'IA de commencer, enfin, à prendre l'Afrique en compte.
