Découverte de :

Les bénéficiaires potentiels de Shilu Burkina IA sont notamment : - chercheurs et enseignants-chercheurs ; - pharmacologues, biologistes et phytochimistes ; - spécialistes de l’ethnobotanique ; - institutions de recherche et universités ; - acteurs de la valorisation de la pharmacopée traditionnelle ; - communautés détentrices de savoirs traditionnels, dans le cadre de protocoles appropriés de consentement et de gouvernance des connaissances ; - jeunes chercheurs et étudiants en sciences de la vie et en intelligence artificielle ; - à terme, institutions publiques et structures africaines travaillant sur la recherche, la santé et la valorisation des ressources locales. Le système n’a pas vocation à remplacer les professionnels de santé ni à fournir directement un traitement médical.

Objectif général Développer une plateforme d’intelligence artificielle souveraine permettant de transformer des connaissances ethnobotaniques documentées en pistes de recherche pharmacologique structurées, traçables et soumises à une validation humaine obligatoire. Objectifs spécifiques 1. Structurer les savoirs liés aux plantes médicinales sous une forme exploitable par des systèmes numériques. 2. Identifier des associations préliminaires entre plantes, usages traditionnels et mécanismes biologiques. 3. Générer des hypothèses de recherche à l’aide d’un modèle d’intelligence artificielle local. 4. Prioriser les hypothèses à l’aide d’un mécanisme transparent de scoring et de plafonnement selon le niveau de confiance. 5. Empêcher automatiquement une hypothèse non validée par un humain de progresser vers l'étape expérimentale. 6. Assurer la traçabilité des données, du consentement, des modèles utilisés et des validations humaines. 7. Poser les bases d’une infrastructure d’IA adaptée aux besoins de recherche africains et maîtrisable localement.

Shilu Burkina IA est conçu comme une équipe d’agents IA spécialisés travaillant selon un pipeline contrôlé. 1. Agent ethnobotaniste Il structure les informations disponibles sur les plantes : nom ; espèce ; partie utilisée ; mode de préparation ; usage traditionnel ; niveau de confiance ; informations de consentement. 2. Agent phytochimiste Il établit des associations préliminaires entre les plantes identifiées et certains mécanismes biologiques pertinents. Dans le prototype actuel, cette étape repose notamment sur un système de règles explicites et non sur une génération libre du LLM. 3. Générateur d’hypothèses Un modèle de langage local génère des hypothèses de recherche à partir des informations précédentes. Le prototype fonctionne avec Ollama et le modèle Llama 3.2:3b. 4. Priorisation Les hypothèses sont classées selon un mécanisme expérimental combinant : testabilité ; pertinence du mécanisme ; clarté de l’hypothèse ; niveau de confiance de la source. Le système applique ensuite un plafond lorsque la confiance de la source est faible ou inconnue. Ces paramètres sont explicitement présentés comme des paramètres expérimentaux de gouvernance du prototype et non comme des constantes scientifiques validées. 5. Human Validation Gate Il s’agit d’un élément central de Shilu Burkina IA. Une hypothèse générée par l’IA reste en attente tant qu’un humain habilité dans le processus ne l’a pas examinée. L’IA propose. L’humain vérifie. La science décide. Le système informatique bloque la progression d’une hypothèse non validée vers la génération d’un protocole expérimental. 6. Experimental Designer Après validation humaine, le système peut générer un premier brouillon de proposition expérimentale. Ce brouillon reste soumis à l’examen d’un pharmacologue, biologiste ou expérimentateur qualifié avant toute utilisation réelle. 7. Traçabilité et rapports Le système conserve notamment : le modèle utilisé ; le fournisseur LLM ; les données de consentement ; le statut de validation ; l'identité déclarée du validateur ; les dates de validation ; les commentaires ; les hypothèses ; les propositions expérimentales. Des rapports peuvent être exportés en PDF et Word. Architecture technologique actuelle Python ; LangGraph ; Ollama ; Llama 3.2:3b ; architecture multi-agents ; validation humaine centralisée ; génération de rapports ; fonctionnement local. Le choix d’un LLM local permet au prototype de fonctionner sans dépendre obligatoirement d’une API d’intelligence artificielle distante.

L’innovation de Shilu Burkina IA réside moins dans l’utilisation isolée de l’intelligence artificielle que dans la combinaison de plusieurs mécanismes adaptés au contexte africain. Le projet associe : intelligence artificielle multi-agents ; modèle de langage local ; fonctionnement orienté souveraineté numérique ; structuration numérique de savoirs de pharmacopée traditionnelle ; mécanisme explicite de confiance ; plafonnement des scores selon la qualité de la source ; traçabilité du consentement ; validation humaine obligatoire ; séparation entre proposition algorithmique et décision scientifique ; génération de rapports auditables. Le projet introduit surtout une règle technique fondamentale : une IA ne peut pas se déclarer elle-même validée. La validation humaine n’est donc pas seulement une consigne affichée à l’utilisateur : elle est intégrée au fonctionnement du prototype. Shilu Burkina IA cherche ainsi à explorer une approche dans laquelle l’intelligence artificielle accélère l’exploration scientifique sans se substituer à l’expertise humaine.

Prototype fonctionnel Le projet dispose actuellement d’un prototype exécutable localement présentant une chaîne complète : Ethnobotaniste → Phytochimiste → Génération d’hypothèses → Priorisation → Validation humaine → Proposition expérimentale → Rapport. Le prototype a été testé avec un scénario de démonstration portant sur la drépanocytose et trois plantes. Il génère notamment : . des données ethnobotaniques structurées ; . des associations biologiques préliminaires ; . six hypothèses ; . une priorisation ; . des statuts de validation humaine ; . deux propositions expérimentales uniquement après validation humaine ; . un rapport traçable exportable. Le projet reste toutefois au stade de prototype de recherche. Aucune hypothèse générée par le système ne constitue une validation scientifique, médicale ou thérapeutique. Les données de consentement utilisées dans la démonstration sont explicitement fictives et ne correspondent pas à une consultation réelle de communautés. Les prochaines étapes concernent notamment la validation scientifique, la constitution de partenariats de recherche, l’établissement de protocoles réels de consentement communautaire et l'expérimentation dans des environnements qualifiés.