Comprendre les fondamentaux de l'IA

Séquence 1 — De quoi parle-t-on

• Trois mots souvent confondus : intelligence artificielle, apprentissage automatique, apprentissage profond — et ce qui les emboîte
• Ce qui a changé depuis 2012, puis depuis 2022 : données, puissance de calcul, architectures
• Ce qu'est un modèle : une fonction ajustée sur des exemples, pas une base de connaissances
• Pourquoi un système d'IA n'a ni intention, ni compréhension, ni mémoire des échanges passés par défaut

Séquence 2 — Comment une machine apprend

• Apprentissage supervisé : on montre des exemples étiquetés, la machine généralise — détection de fraude, tri de courriels, estimation de durée
• Apprentissage non supervisé : on cherche des regroupements sans étiquette — segmentation de clients, détection d'anomalies
• Apprentissage par renforcement : on récompense un comportement — robotique, jeux, optimisation de parcours
• Les trois étapes d'un projet : constituer les données, entraîner, évaluer
• Surapprentissage : le modèle qui récite au lieu de généraliser, et comment on le détecte

Séquence 3 — L'IA générative, le cas particulier qui a tout changé

• Un modèle de langage prédit le mot suivant : tout découle de là
• Pourquoi il invente avec aplomb — le mécanisme de l'hallucination
• Ce que le modèle ne sait pas : l'actualité postérieure à son entraînement, vos données internes, ce qu'il a dit hier
• Texte, image, son, code : la même mécanique appliquée à d'autres données
• Démonstration commentée : la même question posée trois fois, trois réponses

Séquence 4 — Ce que l'IA sait faire, et ce qu'elle ne sait pas faire

• Quatre tâches où elle est solide : résumer, reformuler, classer, proposer des pistes
• Quatre tâches où elle échoue : calculer juste, citer une source exacte, décider seule, connaître un fait récent
• La règle du contrôle proportionné : plus la conséquence est lourde, plus la vérification est serrée
• Atelier : trier vingt situations professionnelles en « bon candidat » et « mauvais candidat »

Séquence 5 — Limites, risques et repères

• Le biais : d'où il vient, pourquoi il n'est pas un défaut technique mais un reflet des données
• Les données personnelles et le secret professionnel : ce qu'on ne colle jamais dans un outil public
• L'empreinte environnementale : entraînement, inférence, ordre de grandeur
• Le cadre : AI Act, RGPD, charte interne — qui répond à quoi dans l'entreprise
• À qui s'adresser : délégué à la protection des données, référent sécurité, direction métier