ki-fwi/docs/audit-sources.md

# Audit des sources — KI FWI SA YÉ ?

> Session 0. Chaque fiche répond à quatre questions : **ce qu'on y prend**, **sous quelle
> licence**, **avec quelle contrainte**, **comment on l'interroge**. Les endpoints listés
> ont été **appelés réellement** pendant l'audit, pas recopiés d'une documentation.
>
> Date de l'audit : 2026-07-27.

---

## Tableau de synthèse

| Source | Ce qu'on y prend | Régime | Verdict |
|---|---|---|---|
| **Wikidata** | Q-id, taxonomie | CC0 | ✅ Utilisée, sans réserve |
| **GBIF** | nom accepté, clé d'usage, famille | données ouvertes | ✅ Utilisée, sans réserve |
| **Wikimedia Commons** | photographies, planches | CC0 / PD / CC BY / CC BY-SA | ✅ Utilisée, attribution obligatoire, **pas de compositing** |
| **iNaturalist** | photographies de complément | ~93 % CC BY-NC (mesuré) | ⚠️ Autorisée mais engage le non-commercial (ADR 0001) |
| **TRAMIL** | vérification factuelle citée | **tous droits réservés** | ⛔ **Aucun fichier.** Demande écrite requise |
| **CIRAD / Agritrop** | vérification, publications | mixte, majoritairement © | ⛔ Demande écrite avant tout usage |
| **INRAE** | vérification | mixte | ⛔ Demande écrite avant tout usage |
| **Photos du porteur** | tout | choisi par le porteur | ✅ La meilleure source disponible |

---

## 1. Wikidata — la colonne vertébrale des identifiants

**Ce qu'on y prend.** L'identifiant Q de chaque taxon, et la famille botanique remontée par
la chaîne de taxons parents.

**Licence.** CC0 pour les données. Aucune contrainte d'attribution, mais le projet cite la
source par honnêteté et pour la traçabilité.

**Contrainte.** Wikidata est un wiki : une valeur peut être fausse ou obsolète. C'est
pourquoi le projet croise **systématiquement** avec GBIF et exige les deux dans le schéma
(`verifie_contre` doit contenir `wikidata` **et** `gbif` — un seul ne suffit pas).

**Comment on l'interroge.** Une seule requête SPARQL pour les 13 taxons :

```sparql
SELECT ?taxon ?name ?fam WHERE {
  VALUES ?name { "Annona muricata" … }
  ?taxon wdt:P225 ?name .
  OPTIONAL { ?taxon wdt:P171+ ?f . ?f wdt:P105 wd:Q35409 ; wdt:P225 ?fam . }
}
```

`P225` = nom du taxon · `P171` = taxon supérieur · `P105` = rang · `Q35409` = famille.
Endpoint `https://query.wikidata.org/sparql`, en-tête `User-Agent` identifiant le projet
(exigé par l'infrastructure Wikimedia). Implémenté dans `tools/data/verify-taxa.mjs`.

**Résultat de l'audit.** 13/13 taxons trouvés par correspondance exacte sur `P225`.

---

## 2. GBIF — le nom scientifique accepté

**Ce qu'on y prend.** La clé d'usage (`usageKey`), le nom scientifique **accepté**, le
statut (`ACCEPTED` / `SYNONYM`) et la famille.

**Licence.** Données ouvertes. GBIF demande la citation du jeu de données ; le projet cite
GBIF globalement dans `CREDITS.md` et lie chaque entrée à sa fiche.

**Contrainte.** C'est ici que se détectent les **synonymes**, piège central d'un dataset
botanique. Le laurier-jaune est le cas d'école : il circule largement sous
*Thevetia peruviana*, alors que le nom accepté est *Cascabela thevetia*. Un dataset qui
fige un synonyme se désynchronise silencieusement des référentiels.

**Comment on l'interroge.**

```
GET https://api.gbif.org/v1/species/match?name=<nom>&strict=false
GET https://api.gbif.org/v1/species/<usageKey>     # si status ≠ ACCEPTED
```

**Résultat de l'audit.** 13/13 en `matchType: EXACT` et `status: ACCEPTED`. **Aucune
divergence** avec les familles annoncées dans `fruits.seed.json`. La graine était bonne sur
ce point — c'est vérifié, plus supposé. Rapport : `docs/verification-taxons.md`.

---

## 3. Wikimedia Commons — le fonds photographique principal

**Ce qu'on y prend.** Des photographies pour la filière A (vérité), et des planches
botaniques anciennes pour les fiches encyclopédiques.

**Licence.** Commons n'héberge que du libre, mais « libre » recouvre plusieurs régimes très
différents. Sur les 130 candidats remontés pendant l'audit : domaine public, CC0, CC BY 2.0
à 4.0, CC BY-SA 2.0 à 4.0.

**Contraintes, dans l'ordre de gravité.**

1. **Le partage à l'identique contamine les dérivés.** Une photo CC BY-SA compositée dans
   un sprite rend le sprite CC BY-SA. D'où l'interdiction absolue de compositing posée par
   l'ADR 0001 et vérifiée par `npm run validate:data`.
2. **L'attribution est nominative.** Il faut l'auteur, la licence, l'URL du fichier et
   l'URL de la page de description. Le script les récupère et refuse tout fichier à
   attribution dont l'auteur est absent des métadonnées.
3. **Le titre ne garantit rien.** Une recherche sur *Melicoccus bijugatus* remonte en
   deuxième position une photographie de **singe capucin** mangeant le fruit. Le moteur de
   recherche n'est pas un botaniste. Rien ne sort de l'ingestion autrement qu'en
   `valide: false`.
4. **Toutes les licences ne sont pas acceptables.** L'audit a écarté automatiquement
   4 fichiers : deux sous GFDL 1.2 ou « Attribution » simple (régimes non retenus), deux
   sous licence à attribution dont l'auteur était introuvable dans les métadonnées.

**Comment on l'interroge.**

```
GET https://commons.wikimedia.org/w/api.php
    ?action=query&generator=search&gsrnamespace=6
    &gsrsearch="<nom scientifique>" filetype:bitmap
    &prop=imageinfo&iiprop=url|size|mime|extmetadata
    &iiextmetadatafilter=LicenseShortName|LicenseUrl|Artist|Credit|ImageDescription|DateTimeOriginal
```

Implémenté dans `tools/data/ingest-commons.mjs`. **Aucun fichier n'est téléchargé** en
session 0 : on ne collecte que des métadonnées et des URLs.

**Résultat de l'audit.** 130 candidats sous licence libre sur 13 taxons, soit au moins 10
par taxon. Aucun taxon sous le seuil de deux candidats.

---

## 4. iNaturalist — complément, au prix d'un engagement

**Ce qu'on y prend.** Des photographies pour les espèces mal couvertes par Commons, et des
observations géolocalisées aux Antilles (utile pour la saisonnalité par île, mode Sézon).

**Licence — mesurée, pas supposée.** Échantillon relevé pendant l'audit sur
*Chrysobalanus icaco* (zikak), 305 photographies de qualité recherche :

| licence | photos | part |
|---|---|---|
| CC BY-NC | 280 | 92 % |
| CC0 | 12 | 4 % |
| CC BY | 8 | 3 % |
| CC BY-NC-SA | 5 | 2 % |

**94 % du fonds est donc sous clause non commerciale.** Se limiter au non-NC réduirait
iNaturalist à un appoint marginal.

**Contrainte.** Retenir une seule photo NC engage le projet à ne jamais être distribué
commercialement (ADR 0001, décision du porteur). Le champ `usage_non_commercial` marque ces
médias dans les données, et `CREDITS.md` les isole dans une section dédiée pour rendre un
retrait ultérieur possible.

**Comment on l'interroge.**

```
GET https://api.inaturalist.org/v1/observations
    ?taxon_name=<nom>&quality_grade=research
    &photo_license=cc0,cc-by,cc-by-sa,cc-by-nc,cc-by-nc-sa
    &place_id=<Guadeloupe|Martinique>   # pour la saisonnalité locale
```

**État à ce jour.** Aucune photo iNaturalist n'est encore embarquée. L'engagement non
commercial n'est donc **pas encore consommé**.

---

## 5. TRAMIL — ressource majeure, inutilisable sans autorisation

**Ce qu'on y prend.** Rien, en fichiers. TRAMIL sert de **source de vérification factuelle
citée en référence** — usages traditionnels, toxicité, parties de plante concernées — dans
le champ `sources_factuelles` de chaque entrée.

**Licence — vérifiée directement pendant l'audit.**

- Le pied de page de `tramil.net` affiche : **« © Copyright 2017 TRAMIL all rights
  reserved. »**
- Le lien « Legal notice » du site renvoie une **erreur 404** (`/content/mentions-legales`,
  vérifié le 2026-07-27).

Autrement dit : non seulement aucune licence n'est accordée, mais **les conditions ne sont
pas même consultables**. Par défaut : tous droits réservés.

**Contrainte.** La TRAMILothèque (photographies, planches d'herbier, coupes microscopiques,
scans) est exactement ce dont ce projet aurait besoin, et est **inutilisable sans
autorisation écrite**. Aucun fichier TRAMIL ne peut entrer dans le dépôt tant que cette
autorisation n'existe pas.

**Ce qu'il faut faire — et qui ne se délègue pas.** TRAMIL est hébergé par le SCD de
l'Université des Antilles à Schœlcher. Le porteur est à quinze minutes. Un partenariat
TRAMIL × OKI sur un jeu scolaire martiniquais a toutes les chances d'aboutir, et
transformerait le projet : accès à des images d'herbier vouchées, et une caution
scientifique sur le module « Pa touché ».

Lettre-type prête : `docs/courriers/tramil.md`.

---

## 6. CIRAD / Agritrop et INRAE

**Ce qu'on y prend.** De la vérification factuelle : saisonnalité réelle sous climat
antillais, variétés cultivées localement, données agronomiques. Agritrop, le dépôt ouvert
du CIRAD, contient de l'open access exploitable en citation.

**Licence.** Régimes mixtes, majoritairement propriétaires, avec des cas d'usage pédagogique
négociables. **À demander, jamais à présumer** — y compris sur un dépôt « ouvert », où
l'ouverture porte souvent sur la lecture, pas sur la réutilisation.

**Comment on l'interroge.** Consultation manuelle d'Agritrop (`agritrop.cirad.fr`), avec
enregistrement de la référence dans `sources_factuelles`. Aucune ingestion automatisée : le
volume ne le justifie pas et le régime de licence l'interdirait.

Lettre-type prête : `docs/courriers/cirad.md`.

---

## 7. Photographies du porteur — la meilleure source

Une photographie prise au marché de Fort-de-France vaut mieux que n'importe quelle
génération, et mieux que la plupart des photos de Commons : elle montre la variété locale,
au bon stade de maturité, dans le contexte où l'enfant la rencontrera.

**Licence.** Choisie par le porteur. `OKI-CC-BY-SA-4.0` dans le schéma, alignée sur
`LICENSE-CONTENT`. Aucune contrainte externe, aucun risque, et aucun compositing interdit
puisque le projet en détient les droits.

**Ce qui manquera nécessairement.** Les vues d'indice — écorce, feuille isolée, coupe nette
— sont rares sur Commons pour les espèces antillaises. Ce sont précisément celles dont le
mode Kaché a besoin. Une après-midi de terrain avec un appareil comblera plus de trous que
n'importe quelle recherche automatisée.

---

## Ce que cet audit ne couvre pas

- La **validité botanique** de chaque photographie : aucune machine ne peut la trancher.
- Les **droits voisins des locuteurs** pour les enregistrements audio : autorisation écrite
  à obtenir avant embarquement, crédit nominatif dans `CREDITS.md`.
- La **licence des poids** du modèle utilisé par `rembg` dans le pipeline de filière B
  (session 3) : les poids ne suivent pas toujours la licence du paquet, à vérifier avant
  toute utilisation.