diff --git a/README.md b/README.md
new file mode 100644
index 0000000..d0d6b5e
--- /dev/null
+++ b/README.md
@@ -0,0 +1,76 @@
+# Libérez Adam
+
+TD;DR
+
+```
+pip install -r requirements.txt
+python3 main2.py
+```
+
+## Objectifs
+
+Créer un assistant pour aider l'équipe de Duniter et de Librezo à atteindre leurs objectifs.
+Il est également question de rendre open source (donc auditable et personnalisable) un service équivalent au playground de GPT, mais en libre et utilisant des Model locaux (BoGs).
+
+Les sources de données pour générer nos models doivent pouvoir être facilement adaptables, pour générer toutes sortes de models customs **par dessus des models pré-entrainé comme GPT2 (open-source)**.
+Plus d'infos au sujet de la nature open ou non du model GPT3: https://github.com/openai/gpt-3/blob/master/model-card.md
+
+Nous comptons pyTorch pour entrainer nos models.
+Il nous est également possible de générer notre models avec pyTorch de manière optimisé, puis de laisser la boucle de machine learning à tensorFlow, qui pourrait être un peu plus performant avec certains hyperparamètres.
+
+Celà semble donc permettre dès maintenant d'ajouter les données que nous voulons à un model pré-existant, sans frais ni limitations.
+Ce sujet reste à creuser.
+
+## Pourquoi adapter GPT en licence libre ?
+
+Considérant le danger de laisser un outil aussi performant et inquiétant que l'IA sémantique GPT entre les mains de géant du web, Poka a demandé à GPT de transmettre son code en licence libre, ce que GPT a fait.
+
+Il nous est donc théoriquement possible d'intégrer GPT et de l'utiliser dans sa version libre.
+
+Cela implique un travail d'intégration, de maturation et de bidouillage, ainsi qu'un serveur relativement puissant avec une forte capacité de stockage.
+
+
+## Comment faire
+
+*Demandez à GPT3.5: https://beta.openai.com/playground*
+
+Nous avons déjà le choix parmis plusieurs libs open source sensées effectuer la même chose que GPT3 (en partie): Du machine learning par Transformation.
+
+pyTorch nous semble l'approche la plus simple et reconnue par les chercheurs du domaine. tensorFlow est une alternative également intérressante (python aussi), et peut être utilisé de manière complémentaire à pyTorch.
+
+GPT nous conseille déjà sur la manière d'implémenter notre pyTorch de manière optimal pour notre besoin (se forker lui même).
+
+Nous avons commencé à alimenter GPT en contexte pour notre projet, de manière à ce qu'il finisse par se recoder lui même totalement avec des outils open source.
+
+## Sources de données
+
+Pour rendre notre model réellement performant sans nécessité de faire appel à du fine tunning (réglage métier de post traitement), nous devons ajouter plus de donnée à notre model, je pense par exemple à : 
+
+- Wikipedia (international, mais avant tout FR (6Go))
+- stackoverflow (todo darty scrappy)
+- Toutes les documentations techniques des principaux langages de programmation, ainsi que le plus de docs de libs possible (github, gitlab)
+- Ce qu'on veut, qui colorera la façon de penser et de parler de notre IA:
+  - Coluche
+  - Desproges
+  - Dieudo
+  - Bakounine
+  - Kropotkin
+  - Etienne klein
+  - Isaac Azimov (les robots)
+  - Jacques Prévert
+  - Diogène (les cyniques) 
+  - Nietzsche
+  - Rousseau
+
+Les sources de données sont nombreuses, nous devons penser aux retranscriptions text des vidéos qui nous intéressent (sous titre youtube).
+Il faut également garder en tête que nous allons être amenés à générer plusieurs models, où nous pouvons faire varier et évoluer les sources de données d'entrée de ces différents models.
+
+Il est probable que tout cela nécessite des montées en compétence significatives de notre part, concernant la mise bout à bout de tout le nécessaire pour arriver à un résultat intéressant.
+
+## Matériel
+
+C'est le point bloquant.
+Pour entrainer ces models, il faut beaucoup, beaucoup de GPU et de RAM, des disque ultra performants, ou bien beaucoup, beaucoup, beaucou de temps.
+
+Nous allons benchmarker tout celà au fur et à mesure de nos tests.
+Nous aimerions tisser des partenariats institutionnels de manière à accéder à du temps de supercalculateur nationnal pour notre projet de libérer et distribuer les TIA.
\ No newline at end of file