---
theme: ../theme-ia101
title: "Intelligence Artificielle - Acculturation"
info: IA 101 - Panorama complet de l'intelligence artificielle
paginate: true
drawings:
persist: false
transition: slide-left
mdc: true
layout: cover
---
Intelligence(s)
Une introduction à l'IA pour décideurs
Jean-Sylvain Boige
jsboige@myia.org — Telecom Bretagne — Cogs Brighton UK
---
# Sommaire
**Qu'est-ce que l'intelligence artificielle ?**
Racines, histoire, agents rationnels
**Intelligence exploratoire**
Chercher la solution d'un problème
**Intelligence symbolique**
Raisonnement et mathématiques
**Intelligence probabiliste**
Agir dans l'incertitude
**Apprentissage**
Apprendre des données et de l'expérience
**Application : le langage naturel**
Chatbots, LLM, IA générative et agents
---
layout: section
---
# Intelligence artificielle
- Introduction
- Agents rationnels
- Intelligences
---
# Qu'est-ce que l'intelligence artificielle?
- Définitions multiples
- Notre angle :
- « Agir de façon rationnelle »
- Conception d'agents
**Fondements**
- Philosophie · Maths · Économie
- Biologie · Neurosciences
- Psychologie · Informatique
- Théorie du contrôle · Linguistique
Modèle biologique (neurone de McCulloch & Pitts, 1943) — source d'inspiration directe pour le perceptron de Rosenblatt (1958).
---
# Développement (1/2)
**Histoire succincte**
- 1940-70 : Enthousiasme des débuts
- Turing, Dartmouth, Lisp
- Samuel, Newell & Simon
- 1970s : Complexité calculatoire
- Réseaux de neurones en pause
- Systèmes experts
- 1980s : L'IA devient une industrie
- Robotique, vision
- 1990s : L'IA devient une science
> **État de l'art** : voir la slide « Développement (2/2) » pour la chronologie moderne (1997 → 2025).
Repères fondateurs de l'IA moderne — financement (DARPA) et benchmark (ImageNet) qui ont catalysé l'apprentissage profond.
---
# Développement (2/2)
- **2000s** : Data mining, apprentissage bayésien, web sémantique, prouveurs automatiques
- **2010s** : Explosion du deep learning et du big data
- 2014 : GANs (génération d'images), 2016 : AlphaGo (Go)
- 2017 : Transformers ("Attention is All You Need")
- 2018 : AlphaZero (échecs, Go, shogi sans connaissances humaines)
- 2019 : Pluribus (poker), AlphaStar (Starcraft 2)
- **2020s** : LLMs et IA générative deviennent grand public
- GPT-3 (2020), ChatGPT (2022), GPT-4 (2023), Claude 3 (2024), GPT-4o (2024), Claude 3.5 Sonnet (2024), Gemini 1.5/2 (2024-2025)
- Stable Diffusion, Midjourney, DALL-E : génération d'images
- 2025 : agents IA autonomes, vibe coding, IA multimodale
> **Chronologie cle** : Turing (1950) → Dartmouth (1956) → Hiver IA (1974) → Deep Blue (1997) → AlphaGo (2016) → ChatGPT (2022) → Agents IA (2025)
---
# Dans la vie de tous les jours
- **Poste** : reconnaissance des adresses et tri automatique du courrier
- **Banque** : lecture des chèques, vérification des signatures, évaluation de crédits
- **Médecine** : diagnostic assiste, prescriptions, suivi et prévention
- **Service client** : synthèse/reconnaissance vocale, chatbots (ChatGPT, Claude)
- **Transport** : détection de plaques, conduite autonome (Tesla, Waymo)
- **Internet** : marketing personnalise, détection de spam et de fraude
- **Industrie** : conception, fabrication et exploitation assistées par IA
- **Image numérique** : détection de visages, mise au point, compression
- **Jeux** : personnages et adversaires intelligents (NPCs adaptatifs)
---
# Les agents
**Définition**
- L'agent rationnel
- Entité qui perçoit par des capteurs
- agit par des effecteurs.
- Dans un environnement
- Fait la bonne action
- Maximise son succès.
- Pas omniscient
- Réactif, proactif, interactif, autonome
- Limitations
- ressources disponibles
---
# Conception d'agents
**Environnement de tache**
- Description PEAS : Performance, Environnement, Actionneurs, Senseurs
**Agent réflexe**
- Pas de mémoire, réagit aux percepts courants
- Regles condition → action (si obstacle, alors freiner)
Référence : 13_Agentic_Orchestration.ipynb.
---
layout: section
---
# Quiz
- Taxi autonome:
- Description Peas
- Intelligences
---
# Agent réflexe fondé sur un modèle
**Agent réflexe avec modèle**
- Fonctionnement interne
- État du monde
- Niveau de représentation
**Compromis**
- Flexibilité vs complexité
Référence : Search-01-StateSpace.ipynb (agents à état interne).
---
# Intelligences
- **Procédurale** : automates et algorithmes déterministes (instructions pas à pas)
- **Exploratoire** : recherche dans un espace d'états (parcours de graphes, A*)
- **Symbolique** : raisonnement logique, bases de connaissances, planification
- **Probabiliste** : gestion de l'incertitude, réseaux bayésiens, décision
- **Apprentissage** : amélioration par l'expérience (supervisé, renforcement, deep learning)
---
# Décider seul, décider face à quelqu'un
### Théorie de la **décision**
L'incertitude vient de la **nature**. Elle ne vous veut rien.
- On maximise une **utilité espérée**
- L'objet cherché est un **optimum**
- Outils : probabilités, utilité, arbres de décision, processus markoviens
- Chez vous : prime pure, chargement de sécurité, aversion au risque
### Théorie des **jeux**
L'incertitude vient d'un **autre décideur**, qui optimise aussi — parfois contre vous.
- On cherche un **équilibre**, pas un optimum
- L'objet cherché est l'**équilibre de Nash**
- Outils : matrices de gains, minimax, information asymétrique, conception de mécanismes
- Chez vous : antisélection, aléa moral, signal, dépistage
**Le même livre fonde les deux** — von Neumann & Morgenstern, 1944. La théorie des jeux *dérive* de la décision, mais elle en change l'objet : dès que l'autre choisit aussi, l'optimum s'évanouit et seul l'équilibre subsiste.
Références : DecInfer-01-Utility-Foundations.ipynb (théorie de la décision), GameTheory-02-NormalForm-Python.ipynb (formes normales).
---
# Ce que la théorie des jeux ajoute — et ce qu'elle a donné à l'IA
### Des objets que la décision seule ne produit pas
- **Antisélection** — celui qui se sait mauvais risque s'assure en premier *(Akerlof, 1970)*
- **Aléa moral** — être couvert change le comportement de l'assuré
- **Signal et dépistage** — le contrat est construit pour *faire révéler* l'information cachée *(Spence 1973 ; Rothschild & Stiglitz 1976, sur le marché de l'assurance)*
- **Jeux bayésiens** — décider quand on ignore le type de l'autre *(Harsanyi)*
### En intelligence artificielle
- **Minimax et élagage alpha-bêta** : le socle des programmes de jeu depuis les années 1950
- **Jeu contre soi-même** : le programme s'entraîne sans professeur en s'affrontant *(AlphaGo, AlphaZero)*
- **Apprentissage par renforcement multi-agent** : plusieurs agents apprennent en s'influençant
- **Enchères et conception de mécanismes** : ce qui régit la publicité en ligne
**Vos contrats sont déjà des mécanismes de jeu.** Franchise, bonus-malus, coassurance ne sont pas des paramètres tarifaires : ce sont des dispositifs d'incitation. La théorie des jeux est la discipline qui les conçoit.
Références : GameTheory-06-EvolutionTrust-Python.ipynb, GameTheory-15-CooperativeGames-Python.ipynb.
---
layout: section
---
# Questions?
---
layout: section
---
# Intelligence exploratoire
- Recherches non informée et informée
- Jeux
- Problèmes à satisfaction de contraintes
---
# Agent explorateur
**Agent fonde sur des buts**
- Passe du réactif au délibératif
- Planifie ses actions par exploration
**Résolution de problèmes**
- Objectif ?
- Actions ?
- Représentation ?
---
# Formulation de problèmes
**Itinéraire**
- État initial, test de but
- Transitions
- États, Actions
- Coût de chemin
- Solution = Séquence
**Abstractions**
- Assemblage robotique
- Problèmes jouets
Référence : Search-01-StateSpace.ipynb.
---
# Arbre d'exploration
Idée de base
Exemple : Énigme
- Développement des états successeur
- **Choix des nœuds**
- = Stratégie d'exploration
**Exemple: Énigme**
- Missionnaires et cannibales
- Barque de 2 places
- Jamais + de cannibales
Référence : Search-02b-NetworkX.ipynb (graphes d'états).
---
layout: section
---
# Quiz
- Missionnaires et cannibales
- Intelligences
---
layout: default
---
# Stratégies d'exploration (1/2)
- En largeur
- En profondeur
- Bidirectionnelle
- Ex: Où sont mes clefs ?
- Évaluation des états
- **Heuristique**
- Estimation du coût restant
- Ex: Distance à vol d'oiseau
- Par le meilleur d'abord
- Exploration gloutonne
- Algorithme A*
- [Demo Pathfinding.js](https://qiao.github.io/PathFinding.js/visual/)
Référence : Search-02-Uninformed.ipynb.
---
# Stratégies d'exploration (2/2)
- Si seule la solution compte
- pas le chemin
- Modification d'un seul état
- Paysage de l'espace des états
- Optimisation d'une fonction
- Escalade, descente de gradient
- Problèmes :
- Bloqué sur un optimum local
- Solutions:
- Recuit simulé
- Ex: le carton de babioles
- Exploration en faisceaux
- Ex: Perdus en foret
- Sélection naturelle = combinaison
- Algorithmes génétiques
Référence : Search-03-Informed.ipynb (A* et heuristiques).
---
# Jeux
Jeux vs Exploration
Arbre Minimax
- Arbre de jeu
- Environnements
- multi-agents, concurrentiels
- Classe la plus étudiées
- Alternés, déterministes
- A somme nulle (h1 = -h2)
- A information parfaite
- Difficulté
- Arbre d'exploration impraticable
- Performance critique: temps
- Stochastiques, information imparfaite
- Libratus (poker), Starcraft 2
**Techniques**
- Actions joueurs Max et Min + utilité terminale
- Minimax, Alpha-Beta
- Avec arrêt + évaluation heuristique
- Techniques probabilistes (Expectiminimax, Monte-Carlo)
Références : Search-06-AdversarialSearch.ipynb, Search-07-MCTS-And-Beyond.ipynb.
---
layout: default
---
# Problèmes à satisfaction de contraintes
Définition CSPs
Techniques
- Jusqu'ici: représentation atomique
- CSP = État factorisé
- État = variables sur des domaines
- Test de but = contraintes sur les variables
- Bonnes méthodes générales
- Meilleures que l'exploration standard
- Exemple
- Coloration de carte
- Exploration avec heuristiques
- H1 ? H2 ? H3 ?
- Ex: le coffre de voiture
- Inférence
- Mise en cohérence des domaines
- Ex: Sudoku
- Structure des problèmes
- Sous-problèmes, Arbres
- Structure des valeurs
- Symétrie (rupture de)
Références : CSP-1-Fundamentals.ipynb, CSP-2-Consistency.ipynb.
---
layout: section
---
# Questions?
---
layout: section
---
# Intelligence symbolique
- Logique propositionnelle
- Logique du premier ordre
- Agents fondés sur la connaissance
- Planification
---
layout: default
---
# Représentation et logique
**Enoncés**
- Langage
- Syntaxe
- Sémantique
- Types de logiques
**Inférence**
- Propriétés
- correction, consistance, complétude
**Bases de connaissances**
**Raisonnement**
Référence : Tweety-02-Basic-Logics-Python.ipynb.
---
# Logique propositionnelle
- Syntaxe
- Sémantique
- Tables de vérité
- Inférence logique
- Règles cohérentes
- Ex: Modus ponens
- Preuve déductive
- Procédures
- Chaînages
- Résolution
- DPLL, WalkSAT
- Solveurs SAT
- Problèmes NP-complets
Référence : Z3-01-Introduction-Python.ipynb (SAT/SMT).
---
# Logique du premier ordre (FOL)
- Modélise
- Objets, Propriétés
- Relations, Fonctions
- Quantificateurs:
- Il existe x - x
- Pour chaque x - x
- Sémantiques multiples
- de base de données
**Exemple: investigation**
- Missile(x) ET Possède(Corée, x) => Vend(West, x ,Corée)
- Missile(x) => Arme(x)
- Enemy(x,America) => Hostile(x)
- Américain(x) ET Arme(y) ET Vend(x,y,z) ET Hostile(z) => Criminel(x)
Références : Z3-05-Quantifiers-Proofs-Python.ipynb, Tweety-02c-FOL-CSharp.ipynb.
---
# Application: argumentation
Code de conduite
Qu'est-ce qu'un argument ?
- Principes de conduite intellectuelle
- Faillibilité
- Recherche de la vérité
- Clarté
- Charge de la preuve
- Charité
- Structure, Pertinence, Acceptabilité, Suffisance, Réfutation
- Suspension du jugement
- Résolution
**Qu'est-ce qu'un argument?**
- Standards
- procédural efficace
- éthique important
- Une proposition (conclusion) supportée par
- D'autres proposition (Prémisses)
- Le raisonnement
- Argument =/= Opinion
- Déduction vs Induction
- Déduction nécessité logique
- Induction Corroboration
- Prémisses particulières
- Argument Moral principe
- Légal loi, jurisprudence etc.
- Esthétique critère
---
# Analyse rhétorique
**Un bon argument**
- Respecte 5 critères
- Structure bien formée
- Prémisse pertinentes
- pour la vérité de la conclusion
- Prémisses acceptables
- par une personne raisonnable
- Prémisses suffisantes
- à démontrer la conclusion
- Fournissant une réfutation effective
- des critiques anticipées
- Renforcer un argument
- Balayer ces 5 critères
**Un argument fallacieux**
- Viole l'un des critères
- Taxonomie
- Comment le dénoncer
- Reconstruction standard
- Contre-exemple absurde
- Fair-play
Référence : Argumentation-02-Fallacies-Detection-Python.ipynb.
---
# Application: Planification
Expression de problème
Approches
- Langage formel
- But à atteindre
- Listes des opérations
- Exploration des états, plans
- Heuristiques ?
- Calcul situationnel
- Théorèmes en FOL
- Planification par contraintes
- Planification à Ordre partiel
- Décomposition hiérarchique
Références : Planners-2-PDDL-Basics.ipynb, Planners-4-Fast-Downward.ipynb.
---
# Autres Applications (1/2)
- Solveurs Modulo Théorie
- SAT + Quantificateurs
- + Théories arithmétiques
- + Optimiseurs
- Ingénierie de connaissances
- Triplets, Ontologies
- Web sémantique
- W3C
- Linked Data
Références : Z3-06-Advanced-Optimization-Python.ipynb, SW-2b-Python-RDFBasics.ipynb (triplets RDF).
---
# Autres Applications (2/2)
- Systèmes à maintenance de vérité (TMS)
- Révision des croyances
- JTMS, ATMS: justice
- Générateurs d'hypothèses
- Smart-contracts
- Cryptographie
- Blockchain
- Non-divulgation
Références : Argumentation-06-JTMS-Python.ipynb (JTMS), Tweety-4-Belief-Revision.ipynb, SC-03-Solidity-Basics-Python.ipynb.
---
layout: section
---
# Questions?
---
layout: section
---
# Intelligence probabiliste
- Quantification de l'incertitude
- Raisonnement probabiliste
- Prise de décision
- Théorie des jeux
---
# Agir dans l'incertitude
**Le monde est incertain**
- Entrées incertaines
- Données manquantes, bruitées
- Connaissance incertaine
- Causalités complexes
- Environnement stochastique
- Sorties incertaines
- Abduction, induction
- Inférence incomplète
**Agent fondé sur l'utilité**
- Raisonnement probabiliste
- Résultats probabilistes
- Alternatives
- Niveau de succès espéré
Référence : Infer-4-Bayesian-Networks.ipynb.
---
# Probabilité
**Fondements**
- Les probabilités résument notre incertitude (paresse, ignorance)
- Probabilités subjectives : degré de croyance d'un agent
- Se mettent a jour avec les observations
**Règle de Bayes**
- Diagnostic
- P(Cause | Effet) = P(Effet | Cause) x P(Cause) / P(Effet)
**Programmation probabiliste**
- Réseau Bayésien naïf
- Attributs indépendants
- Modèles graphiques
- Indépendance conditionnelle
- Facteurs de distributions continues
Référence : Infer-1b-Premiers-Modeles.ipynb.
---
# Réseaux bayésiens dynamiques
**Chaînes de Markov**
- Indépendance conditionnelle
- Passé / Futur
- Modèle de transition
- Probabiliste
- **Distribution** stationnaire
- Chaînes de Markov cachées
- Observations bruitées
**Applications**
- Traitement du langage naturel
- Classification, Extraction
- Reconnaissance, Traduction
- Google 1.0: Page rank
- Suivi de trajectoire
- Météo, radars, économie etc.
- Filtres de Kalman
- Apprentissage
Références : Infer-14-Sequences.ipynb, Infer-17-Kalman-Filter.ipynb.
---
# Prise de décision
- Théorie de la décision
- Que faire?
- Théorie des probabilités
- Que croire ?
- Théorie de l'utilité
- Que vouloir ?
- Utilité de l'argent
- Goût du risque ?
- Prime
- Utilité espérée
- biaisée (malédiction)
- + Humains pas rationnel
- Prise de décision simple
- Réseaux de décision
- Décision complexe
- Processus de Markov
- Politique optimale
Références : DecInfer-05-Decision-Networks.ipynb, DecInfer-06-Value-Information.ipynb.
---
# Théorie des jeux (1/2)
Environnement multi-agents
- Analyse stratégique
- Interdépendances stratégiques
- Design d'agent
- Quelle stratégie?
- Design de mécanisme
- Quelles règles?
Optimisation de stratégies
- Solution = profil de stratégies
- Pures (déterministes)
- Mixtes (probabilistes)
- Utilité espérée
Références : GameTheory-02-NormalForm-Python.ipynb, GameTheory-04-NashEquilibrium-Python.ipynb.
---
# Théorie des jeux (2/2)
Jeux simultanés
- Matrice de gains
- Dominance
- Équilibres de Nash
- Purs et mixtes (2n+1)
- Topologie
Jeux séquentiels
- Plusieurs manches
- Forme extensive
- Crédibilité
- Punitions, Menaces, Promesses
- Induction
- avant/arrière
**Forme extensive (exemple)**
Références : GameTheory-09-BackwardInduction-Python.ipynb, GameTheory-11-BayesianGames-Python.ipynb.
---
# Extensions
**Algorithmes**
- Espaces infinis
- Hotelling
- Jeux Bayésiens
- Information incomplète
- Jeux de signalisation
- Jeux différentiels
**Équilibres approchés**
- ε-équilibres
- Minimisation de regret contrefactuel
- Cepheus
- Libratus
- Deepstack
Références : GameTheory-06c-RepeatedGames-FolkTheorem-Python.ipynb, GameTheory-13-ImperfectInfo-CFR-Python.ipynb.
---
# Conception de mécanismes
Concepts
- Théorie des jeux inverse
- Quelles bonnes règles ?
- Max d'une utilité globale?
- Principe de révélation
- Mécanismes manipulables
- Non-stratégiques
Résultats
- Enchères de Vickrey
- Tragédie des communs
- Taxe carbone
- Conditions byzantines
- Bitcoin
- Stratégies sociétales
- Évolution de la confiance
Références : 05-Gibbard-Satterthwaite.ipynb, GameTheory-09c-Stackelberg-SecurityGame-Python.ipynb.
---
# Décisions collectives
**Théorie du choix social**
- Théorie de la négociation
- Théorie des votes
- Résultats négatifs
- Critère de Condorcet
- Électeur médian
**Méthodes de Condorcet**
- Schulze
- Autres bon Scrutins
- Vote par assentiment
- Jugement majoritaire
- Scrutin bipartipludique
Références : 01-Arrow-Impossibility-Theorem.ipynb, 03-Voting-Methods.ipynb.
---
layout: section
---
# Quiz
- Présidentielles: vainqueur de Condorcet
- Intelligences
---
layout: section
---
# Questions?
---
layout: section
---
# Apprentissage
- Apprentissage supervisé
- Arbres de décision
- Deep learning
- Modèles non-paramétriques
- Apprentissage et connaissances
- Apprentissage par renforcement
---
# Apprentissage
**Enjeux**
- Environnements inconnus
- Méthode de conception de systèmes
- Améliorer la prise de décision
- Les performances
**Structure d'agent**
- Modules
- Performance
- Apprentissage
- Critique
- Générateur de problème
Référence : ML-1-Introduction-Python.ipynb.
---
# Caractéristiques (1/2)
**Composants d'apprentissage**
- Type d'apprentissage
- Inductif
- Déductif
- Type de feedback:
- Supervisé: les réponses correctes
- Non-supervisé: clusters
- Par renforcement: récompenses
**Apprentissage inductif**
- Nature affectée par
- Environnement / données
- Connaissance a priori / modèles
- Feedback pour apprendre
---
# Caractéristiques (2/2)
- On construit une hypothèse
- h consistante avec les données
- Ensemble de sortie
- Classification
- Régression
- Rasoir d'Occam
- Parcimonie
- Entraînement
- Validation
- **Méthodes**
- d'ensemble
- Boosting
---
# Arbres de décision
**Principe**
- Attributs Décision
- A partir d'exemples
**Techniques**
- Ordre des attributs
- Gain entropique
- Compacité
- Élagage
- Régression
- Quantisation
- Random forest
- Ensemble
Référence : 2.4-Arbres-Forets-Ensembles.ipynb.
---
# Classification
- Utilisation de dimensions supérieures
- Classification linéaire
Référence : 2.3-Regression-lineaire-logistique.ipynb.
---
# Réseaux de neurones artificiels
- Inspiration biologique
- Neurone artificiel
- Fonctions d'activation
- Multi-couches
- Expressivité croissante
Référence : 3.1-Retropropagation.ipynb.
---
# Apprentissage profond
- Réseaux profonds
- Multicouche traditionnel classifier
- Hiérarchies naturelles
- **Pixel, bord, teston, motif,**
- partie, objet
- **Caractère, mot, groupe,**
- clause, phrase, histoire
- Réseaux convolués
- Noyaux de convolution
- Sous-échantillonnage
Références : 3.2-Optimisateurs.ipynb, 3.3-Regularisation.ipynb.
---
# Extensions 2010+
- Réseaux récurrents
- Mémoire à court terme
- Réseaux LSTM
- MAJ d'un état de cellule
- Réseaux résiduels (2015)
- Réinjection des entrées
- GANs (2014)
- Réseaux adversériaux
---
# Extensions 2015+ — au-delà de la grille
- Modèles Bayésiens
- Régularisation
- Ex: Auto-encodeurs Var.
- Graph Neural Networks
- Généralisation géométrique
- Agrégation de voisinage
---
# Extensions 2015+ — attention et LLMs
- Réseaux attentionnels
- Économie de ressources
- Séquences
- Transformers, Multi-têtes (2017 : « Attention Is All You Need »)
- Semi-supervisé, Transfert
- LLMs : BERT (2018), GPT-1 (2018)
- GPT-2 (2019, zero-shot), GPT-3 (2020, in-context few-shot)
- T5 (2019, text-to-text unifié)
- Modèles efficients (2020+) : attention linéaire, convolutions, RNN
- Reformer, Longformer (2020), Mamba / SSM, Hyena, RWKV (2023)
Référence : 3.4-Attention-Transformer-From-Scratch.ipynb.
---
# Extensions 2020+ — modèles multimodaux
**Modèles multimodaux**
- E.g Texte+Image
- Datasets, Encodeurs
- Rapprochement des plongements
- CLIP (2021, OpenAI) : contraste texte-image sur 400 M de paires
- ALIGN, Florence (2021-2022) : variantes industrielles
- Génération conditionnelle
- DALL-E (2022, OpenAI), Imagen (2022, Google)
- GPT-4V (2023), Gemini (2023) : compréhension multimodale
---
# Extensions 2020+ — diffusion
**Modèles de diffusion**
- Prédiction d'un bruit (DDPM, Ho et al. 2020)
- Diffusion latente (LDM / Stable Diffusion, Rombach et al. 2021-2022)
- Espace latent d'un autoencodeur variationnel pré-entraîné
- Conditionnement texte (CLIP text encoder) + débruitage U-Net
- Conditionnement multimodal
- Mécanisme attentionnel (cross-attention Q/K/V)
Référence : 3.6c-Modeles-Generatifs-Diffusion-from-scratch.ipynb.
---
# Extensions 2020+ — alignement et produit grand public (1/2)
**Alignement par retour humain**
- RLHF (2022, InstructGPT) : affinage par retour humain
- ChatGPT (nov. 2022, OpenAI) : 100 M d'utilisateurs en 2 mois
---
# Extensions 2020+ — alignement et produit grand public (2/2)
**Modèles ouverts et frontier**
- Open-weight : Llama 2 (2023), Mistral, Mixtral (MoE 2023-2024)
- Générations suivantes (2024-2025) : Llama 3 / 3.1 / 4, DeepSeek-V3, Qwen2.5, Gemma 2
- Frontier multimodaux omni : GPT-4o (2024), Claude 3.5 Sonnet, Gemini 1.5 / 2
---
# Apprentissage non paramétrique
**Principes**
- Jusque là, paramétrique
- Arbres de décisions, NNs
- Ici, par les instances
- Les données servent à prédire
**Machines à vecteurs de support**
- K Plus proches voisins
- Noyaux de pondérations
- Séparateurs à marge maximale
- Astuce du noyau
Référence : 2.7-Modeles-Non-Parametriques.ipynb.
---
# Apprentissage et connaissances
- Utilisation de la connaissance
- Passé + futur
- Construction d'un énoncé en FOL
- Exploration: Version Space learning
- Apprentissage par explication
- Ex: brochette
- Explanation Based Learning
- Fondé sur la pertinence
- Ex: langue du pays
- Relevance Based learning
- Fondé sur des connaissances
- Ex: Interne médical
- Knowledge Based Inductive Learning
- Programmation logique inductive (Prolog)
Référence : SW-12-Python-GraphRAG.ipynb (connaissances + apprentissage).
---
# Apprentissage par renforcement
- Pas d'exemple
- Feedback = bon ou mauvais
- Processus de décision de Markov
- Récompense à apprendre
- Possibilité de Shaping
- 3 architectures
- Basé sur l'utilité
- Q-learning (utilité/action)
- Agent réflex = apprentissage de politique
- 2 familles
- Passif (politique fixée)
- Actif nécessité d'explorer
- Approximations
- Modèles paramétriques
- Deep Q-learning
Références : rl_1_intro_cartpole.ipynb, rl_5_mdp_dp_qlearning.ipynb (MDP, TD, Q-learning).
---
layout: section
---
# Questions?
---
layout: section
---
# Langage naturel (NLP)
- Modèle du langage
- Communication
- Agents conversationnels (chatbots)
---
# Modèles du langage
- N-grams
- Modèles de Markov
- Traitements
- lissage, perplexité
- Utilisation
- Classification, catégorisation
- Langue, genre, spam
- Analyse de sentiments
- Recherche d'information
- Indexation
- + traitement requêtes
- + score résultats
- Extraction d'information
- Automates à états finis:
- Regexs, Transducteurs
- Modèles probabilistes
- Extraction d'ontologie
- Machine reading
Référence : 24_NGrammes_Modeles_De_Langue.ipynb.
---
# NLP et NLU : la carte des tâches
Le NLU est un sous-ensemble du NLP : les tâches de la zone verte supposent une représentation du sens, celles de la zone bleue seule s'en passent.
---
# Grammaires
**Caractéristiques**
- Communication
- Echange d'information
- Analyse du langage
- Modèles de communication
- = grammaires + sémantique
- Formalismes
- Classes de Chomsky
- Catégories = Part Of Speech
**Grammaires probabilistes**
- Sans contexte (PCFGs)
- Syntaxique, Apprentissages
- Grammaires augmentées
- Avec contexte, Sémantiques
- Interpréteurs
- Modèles sémantiques
- Ambiguités, Modèles imbriqués
Références : 26_PCFG_CYK_Parsing.ipynb, 25_CRF_Etiquetage_Sequentiel.ipynb.
---
# Speech/Text to Text/Speech
- Traduction automatisée
- Modèles statistiques
- Reconnaissance de la parole
- Modèles acoustiques + langage
- Modèles profonds
- Réseaux récurrents / Transformers
- Résumé, analyse syntaxique
- Modèles sémantiques profonds
Références : 01-2-OpenAI-Whisper-STT.ipynb, 01-5-Kokoro-TTS-Local.ipynb.
---
# Agents conversationnels
- Agents algorithmiques couplé au NLP
- Modèles de langage
- Intentions = tâches
- Entités = objets et propriétés
- Instances = exemples
- Architecture
- Connecteurs à des canaux
- Contextes de dialogues
- Conception
- Développement hors ligne
- Actions, KBs
- Modèles du langage
- Bootstrap
- Entraînement en ligne
Référence : 19_OWUI_Orchestration.ipynb.
---
# Applications des chatbots
**Processus de création**
- Définition des objectifs
- Fonctions, besoins etc.
- Définition du processus
- Arborescence narrative
- Spécifications / Périmètre
- Identifier / rassembler les données
- FAQ, DB, KB
- Budgétisation (10000 à 500K)
- Choix des canaux
- Mobile, réseaux sociaux etc.
- Choix technologique
- Réalisation + entraînement
- Mise en production
- Amélioration
**Exemples**
- Hôtels et transports : SNCF
- Achats en ligne : Amazon
- Télécoms : Verizon
- Finance : Orange
- Médias : CNN
- Ami virtuel : Replika
- Support juridique interne : ADP
---
# Intelligence conversationnelle
- **Quiz** : quelles formes d'intelligence sont mobilisées par un chatbot ?
- Exploratoire : navigation dans l'arbre de dialogue
- Symbolique : compréhension des intentions, raisonnement logique
- Probabiliste : modèles de langage, prédiction du mot suivant
- Apprentissage : entraînement sur des corpus massifs, fine-tuning RLHF
- L'agent conversationnel combine toutes les intelligences du cours
---
layout: section
---
# Questions?
---
layout: section
---
# IA générative & vibe coding
- 2022-2026 : la révolution des modèles de fondation
- LLMs, IA générative multimodale, agents et vibe coding
- Notre expérience : notebooks GenAI et stack self-hosted
---
# La révolution des modèles de fondation
**Le tournant : la « mise à l'échelle » (scaling)**
- Plus de données, plus de calcul, plus de paramètres
- Des capacités nouvelles émergent au-delà d'un seuil
- Comprendre, traduire, résumer, écrire du code
- Ces modèles deviennent la base (« fondation ») de nombreuses applications
```mermaid
graph LR
A[Données massives] --> C[Modèle de fondation]
B[Calcul massif] --> C
C --> D[Capacités émergentes]
D --> E[GPT, Claude, Gemini...]
```
> Pour approfondir : notebooks `GenAI/Texte/`
---
# « Tokens » : l'unité que le modèle manipule
Un modèle ne lit ni des lettres, ni des mots : il lit des **tokens** — des fragments de texte fréquents, découpés statistiquement sur le corpus d'entraînement.
**Le découpage n'est pas le mot**
| Texte | Découpage |
|---|---|
| assurance | `assurance` |
| sinistralité | `sinistr` · `alité` |
| IARD | `I` · `ARD` |
Ordre de grandeur en français : 1 token ≈ 4 caractères ≈ 0,75 mot.
**Pourquoi cela vous concerne**
- Le modèle ne fait qu'une chose : **prédire le token suivant**, un à la fois
- La **fenêtre de contexte** (ce qu'il peut « avoir sous les yeux ») se compte en tokens
- Le **prix** et la **latence** se facturent au token, en entrée comme en sortie
- Un mot rare, un nom propre ou un sigle métier coûte plus de tokens qu'un mot courant
> Conséquence de gestion : « combien de documents puis-je lui donner ? » et « combien cela coûte ? » sont **la même question**, posée en tokens.
Référence : 04-Tokenisation-From-Scratch.ipynb.
---
# Du token au sens : les embeddings
Le **vocabulaire** et l'**espace de sens** sont deux choses différentes — c'est la confusion la plus fréquente, et la plus coûteuse à l'usage.
**Le vocabulaire : une liste**
- Une table d'environ **250 000 entrées** dans les modèles récents
- Un token n'y est **qu'un numéro** — c'est un espace de **dimension 1**
- Trop étroit pour le sens : « voler » y a **une seule** entrée, qu'il s'agisse de dérober ou de prendre l'air
**L'embedding : un espace fait pour le sens**
- **768 à 4 096 dimensions**, apprises à l'entraînement
- Chaque numéro y est projeté sur un **vecteur dense**
- Les homonymes s'y séparent, et l'on peut y calculer : *roi − homme + femme ≈ reine*
- C'est cet espace qu'indexent les **bases vectorielles** et la recherche sémantique (RAG)
> Dans un Transformer, on part de l'embedding du token nu — sa définition de dictionnaire — puis, couche après couche, l'attention croise ces vecteurs : les homonymes se lèvent d'abord, puis sujets et verbes s'associent, et le sens du récit se construit. Il n'est **jamais** la juxtaposition des définitions.
---
# L'avènement des Transformers
**Avant 2017** — le texte est lu séquentiellement (RNN, LSTM) : le début de la phrase s'estompe à mesure qu'on avance. Les longues dépendances se perdent.
**2017, « Attention is All You Need »** — chaque token regarde **tous les autres en même temps** et pondère ceux qui comptent pour lui.
**L'attention, sur un cas métier**
« Le contrat que l'assuré a signé après sa visite est valable. »
Pour accorder « est valable », le modèle doit rattacher le verbe à contrat — sept mots plus tôt — et non à visite, qui le précède immédiatement. L'attention lui permet de pointer directement le bon mot, quelle qu'en soit la distance.
**Les deux conséquences**
- **Portée** : les dépendances longues sont capturées, donc le sens tient sur un document entier
- **Parallélisme** : tous les tokens sont traités simultanément — donc sur GPU, donc **à grande échelle**
C'est ce second point qui a tout déclenché : l'architecture a rendu l'entraînement massif économiquement possible. Le « scaling » de la slide précédente n'est pas une trouvaille séparée — il est ce que les Transformers ont rendu praticable.
Références : TV-00b-Attention-Variants-from-scratch.ipynb, TV-00a-RoPE-from-scratch.ipynb.
---
# LLMs & ChatGPT : l'IA grand public
- 2017 : Transformers (« Attention is All You Need ») — le fondement
- 2020 : GPT-3 — des capacités qui émergent à l'échelle
- 2022 : ChatGPT — l'IA conversationnelle grand public
- 2023-2026 : GPT-4/5, Claude, Gemini, modèles open-source
**Alignement par instruction**
```mermaid
graph LR
A[Pré-entraînement
corpus massif] --> B[Fine-tuning supervisé
exemples d'instructions]
B --> C[RLHF
retour humain]
C --> D[Assistant aligné]
```
> ChatGPT a atteint 100 millions d'utilisateurs en 2 mois : l'IA devient un produit de masse
Références : 01_OpenAI_Intro.ipynb, 02_PromptEngineering.ipynb.
---
# IA générative multimodale
Un seul paradigme, plusieurs modalités — un modèle peut générer et comprendre différents types de contenus :
- **Texte** : rédaction, traduction, résumé, code (`GenAI/Texte/`)
- **Image** : génération et édition (`GenAI/Image/` — DALL-E, Qwen-Image-Edit, SDXL)
- **Audio** : synthèse vocale et transcription (`GenAI/Audio/` — Whisper, Kokoro, XTTS)
- **Vidéo** : génération et analyse (`GenAI/Video/` — Hunyuan, LTX, AnimateDiff)
```mermaid
graph TD
A[Modèle de fondation multimodal] --> B[Texte]
A --> C[Image]
A --> D[Audio]
A --> E[Vidéo]
```
Référence : 01-5-Qwen-Image-Edit.ipynb.
---
# Modèles de diffusion : générer une image
**Principe : apprendre à débruiter**
- Phase aller : on ajoute progressivement du bruit à une image
- Phase retour : le modèle apprend à retirer le bruit pas à pas
- À partir d'un bruit pur, il reconstruit une image cohérente
- Diffusion latente : opérer dans un espace compact (moins de calcul)
```mermaid
graph LR
A[Image] --> B[+ bruit
aller] --> C[Bruit pur]
C --> D[- bruit
retour appris] --> E[Nouvelle image]
```
> Les générateurs d'images (DALL-E, Stable Diffusion, Midjourney) reposent sur ce principe
---
# RAG : connecter un LLM à vos données
- Le LLM seul connaît ses données d'entraînement (fenêtre de connaissance figée)
- RAG = Retrieval Augmented Generation — « génération augmentée par la récupération »
- Les documents sont indexés en vecteurs (embeddings)
- À chaque question, on récupère les passages les plus pertinents
- On les injecte dans le prompt, puis le LLM génère une réponse fondée
- Effets : réponses à jour, traçables, moins d'hallucinations
```mermaid
graph LR
A[Documents] --> B[Embeddings
vecteurs]
B --> C[(Base vectorielle)]
D[Question] --> E[Récupération
top-k]
C --> E
E --> F[Prompt enrichi]
F --> G[Réponse fondée]
```
> Notebook : `GenAI/RAG-et-Memoire-Semantique/`
Références : 05_RAG_Modern.ipynb, 01-Hands-On-Grounding.ipynb.
---
# Agents IA : au-delà du chatbot
- Un agent = un LLM + des outils + une boucle de raisonnement
- Le modèle décide quand utiliser un outil (code, web, API, fichier)
- Boucle **ReAct** : Raisonner → Agir → Observer → Raisonner…
```mermaid
%%{init: {"flowchart": {"nodeSpacing": 30, "rankSpacing": 35, "curve": "linear"}, "themeVariables": {"fontSize": "14px"}}}%%
graph LR
A[Percevoir] --> B[Raisonner]
B --> C[Agir]
C --> D[Observer]
D --> B
```
- Cas d'usage : recherche web, exécution de code, orchestration de tâches
- Le chatbot devient un **agent actif** qui accomplit des tâches
> Notebooks : `GenAI/SemanticKernel/`
Références : 13b_Agent_Evaluation.ipynb, 14_Persistent_Memory.ipynb.
---
# Vibe coding : programmer par intention
- Terme popularisé par Andrej Karpathy (2025)
- On décrit ce que l'on veut **en langage naturel**, l'IA écrit le code
- Le développeur devient architecte et relecteur plutôt que dactylographe
- Limite : il faut savoir **relire et tester** ce que l'IA produit
```mermaid
graph LR
A[Idée en langage naturel] --> B[L'IA génère le code]
B --> C[Exécution + tests]
C --> D[Revue humaine]
D --> B
```
> Curriculum : `GenAI/Vibe-Coding/`
Référence : 01-Claude-CLI-Bases.ipynb.
---
# Vibe coding en pratique
- **Outils** : Claude Code, GitHub Copilot, Cursor, Windsurf
- **Bonnes pratiques**
- `CLAUDE.md` : documenter le contexte et les règles du projet
- Agents et skills spécialisés : déléguer les tâches répétitives
- Itération serrée : petites tâches, vérification continue
- **Notre infrastructure** : un cluster d'agents (coordinateur + workers) qui
explorent, produisent, reviewent et fusionnent des PRs
```mermaid
%%{init: {"flowchart": {"nodeSpacing": 14, "rankSpacing": 20, "curve": "linear"}, "themeVariables": {"fontSize": "11px"}}}%%
graph LR
U[Utilisateur] --> C[Coordinateur]
C --> W1[Worker 1]
C --> W2[Worker 2]
C --> W3[Worker 3]
W1 --> R[PR + rapports]
W2 --> R
W3 --> R
R --> U
```
Ce qui fait tenir l'ensemble n'est pas la puissance des modèles, mais la structure :
des rôles séparés, un périmètre écrit pour chacun, et une revue obligatoire avant
intégration. Les mêmes mécanismes qu'une organisation emploie pour déléguer sans perdre
le contrôle — et ils échouent ici pour les mêmes raisons : périmètre flou, revue de complaisance.
> Curriculum : `GenAI/Vibe-Coding/Claude-Code/`
Référence : 04-Claude-CLI-Agents.ipynb.
---
# Adapter un modèle de fondation
- Un modèle de fondation est générique : on l'**adapte** à un domaine
- **Fine-tuning** : ré-entraînement supervisé sur des données spécialisées
- **LoRA** : n'adapter qu'un petit nombre de paramètres (économie de calcul)
- **Quantization** (INT4, FP8) : réduire la mémoire pour l'inférence
- **DPO / RLHF** : aligner le comportement sur des préférences humaines
```mermaid
graph LR
A[Modèle de fondation
générique] --> B[Adaptation
LoRA / fine-tuning]
B --> C[Modèle spécialisé]
C --> D[Quantization
INT4 / FP8]
D --> E[Inférence efficace]
```
> Notebooks : `GenAI/PostTraining/`, `GenAI/FineTuning/`
Références : 21_LoRA_FineTuning.ipynb, 11_Quantization.ipynb.
---
# Notre stack GenAI (self-hosted)
- Services Docker dédiés, orchestrés et validés sur nos machines
- **ComfyUI** : workflows de génération d'images
- **Qwen / Lumina / Z-Image** : modèles de fondation open-source
- **Open-WebUI** : interface conversationnelle
- GPU avec allocation et idle management (quantization par service)
- La même stack alimente les notebooks `GenAI/{Image,Audio,Video}`
```mermaid
%%{init: {"flowchart": {"nodeSpacing": 25, "rankSpacing": 30, "curve": "linear"}, "themeVariables": {"fontSize": "13px"}}}%%
graph LR
A[Notebooks GenAI] --> B[API commune]
B --> C[ComfyUI]
B --> D[Qwen / Lumina]
B --> E[Open-WebUI]
C --> F[(GPU)]
D --> F
E --> F
```
> Référence : `docs/genai/genai-services.md`
---
layout: section
---
# Retour d'expérience : une organisation d'agents
- Ce que change le passage de l'assistant à l'atelier
- L'organisation, les règles, les garde-fous
- Ce qui marche, ce qui ne marche pas
---
# De l'assistant à l'atelier
**L'assistant** : on pose une question, il répond. La valeur s'arrête quand on
ferme la fenêtre.
**L'atelier** : plusieurs agents travaillent en continu sur un dépôt, chacun
produit un livrable **relisable** (une *pull request*), un coordinateur relit et
intègre.
**Le dépôt, au 17 août 2026**
| | |
|---|---|
| Contributions intégrées | **9 192** |
| Commits | **11 383** |
| Notebooks pédagogiques | **1 040** |
| Machines hébergeant des agents | **5** |
| Postes de travail (« lanes ») | **10** |
**Le rythme récent**
| | |
|---|---|
| Contributions / 30 jours | **3 464** |
| Contributions / 7 jours | **885** |
| Contributions / 24 h | **181** |
> Toutes tailles confondues : du correctif d'une ligne à la preuve formelle.
> Le chiffre qui compte n'est pas le volume, c'est qu'**aucune n'entre sans
> relecture**.
---
# L'organisation, trait pour trait
Le parallèle avec une entreprise n'est pas une métaphore : ce sont les mêmes
problèmes, et ils se résolvent avec les mêmes objets.
| Dans l'atelier d'agents | Dans une organisation |
|---|---|
| Un **coordinateur** distribue le travail et intègre | Direction / chef de projet |
| Des **spécialistes** par domaine (21 profils) | Métiers |
| Une **file de travail** par poste, jamais vide | Plan de charge |
| Un **jeton de réservation** posé sur la tâche | « Qui fait quoi » — anti-doublon |
| Une **revue obligatoire** avant intégration | Contrôle, double signature |
| Des **règles écrites** plutôt que des consignes orales | Procédures |
Aucun de ces objets n'a été conçu pour l'IA : ce sont ceux d'une direction
des opérations, transposés tels quels.
---
# L'organisation, à l'échelle
```mermaid
%%{init: {"flowchart": {"nodeSpacing": 12, "rankSpacing": 26, "curve": "linear"}, "themeVariables": {"fontSize": "12px"}}}%%
graph TD
H["Direction — 1 personne"] --> C["Coordinateur — 1 agent"]
C --> M1["Machine A
2 postes"]
C --> M2["Machine B
2 postes"]
C --> M3["Machines C-E
6 postes"]
M1 --> S["21 profils spécialistes
appelés à la demande"]
M2 --> S
M3 --> S
```
| Niveau | Effectif | Disponibilité |
|---|---|---|
| Direction, arbitrage | **1 personne** | 1-2 h / jour |
| Coordination | **1 agent** | continue |
| Production | **10 postes** | continue |
| Spécialistes | **21 profils** | à la demande |
5 machines, 2 périmètres de travail chacune :
un poste = une machine × un périmètre.
Le chiffre à retenir n'est pas « 10 postes » : c'est le rapport. Une personne, une
à deux heures par jour d'arbitrage, tient une structure qui produit en continu. Ce n'est
pas un remplacement d'ETP — c'est un changement de ce que fait l'ETP : elle ne
produit plus, elle décide et elle relit.
---
# Quel agent, quel outil, pour quelle tâche
Un **seul** outil d'agent — *Claude Code*, celui déjà cité plus haut — décliné en **profils**.
Ce qui les distingue n'est pas le modèle : c'est le **jeu d'outils** que chacun reçoit.
| Profil | Les outils qu'il reçoit | Sa tâche |
|---|---|---|
| Exploration | lecture et recherche, **pas d'écriture** | Retrouver où vit une notion, sans rien modifier |
| Rédaction pédagogique | édition de *notebooks* | Écrire cours et exercices |
| Exécution | noyau Jupyter, Papermill | Faire tourner le cours et **capturer les sorties réelles** |
| Preuve formelle | Lean 4 / Lake | Vérifier un théorème, mesurer la dette de preuve |
| Entraînement | GPU, PyTorch, validation *walk-forward* | Entraîner et **falsifier** un modèle |
| Marchés | API QuantConnect | Lancer un *backtest*, relever Sharpe / drawdown |
| Génération d'images | ComfyUI + modèles auto-hébergés | Produire les illustrations du cours |
| Relecture visuelle | rendu de planches + vision | Vérifier qu'une planche ne déborde pas |
| Contrôle | tests, *build* — et le droit de **refuser** | Refuser ce qui ne passe pas |
Un agent n'est pas « une IA » : c'est un périmètre écrit plus un jeu d'outils
restreint. Celui qui explore n'a pas le droit d'écrire ; celui qui exécute n'a pas le
droit de fusionner. La séparation des pouvoirs y fait le même travail que dans une
organisation — et elle est plus facile à tenir, parce qu'elle est déclarée dans un
fichier plutôt que rappelée en réunion.
---
# Le circuit d'une contribution
```mermaid
%%{init: {"theme": "base", "themeVariables": {"primaryColor": "#F5F5F5", "primaryTextColor": "#2C3E50", "primaryBorderColor": "#8B1A1A", "lineColor": "#7F8C8D", "fontSize": "15px", "fontFamily": "Segoe UI, Calibri, Arial, sans-serif"}, "flowchart": {"nodeSpacing": 26, "rankSpacing": 44, "curve": "linear"}}}%%
graph LR
D[Direction] --> C[Coordinateur]
C --> L1[Poste 1]
C --> L2[Poste 2]
C --> L3[Poste n]
L1 --> P[Livrable relisable]
L2 --> P
L3 --> P
P --> G{Revue + contrôles}
G -->|conforme| M[Intégré]
G -->|non conforme| C
```
Le **retour en arrière** est le trait décisif : une contribution non conforme
ne bloque personne, elle revient au poste qui l'a produite.
> Le jeton de réservation est né d'un incident : deux postes irréprochables ont
> livré **deux fois le même travail**. Ce n'était pas une faute d'exécution,
> c'était un **défaut de signal**.
---
# Écrire la règle plutôt que rappeler la consigne
Une leçon transposable telle quelle au management.
**Ce qui ne tient pas** : redire la consigne. Un agent — comme une équipe —
finit par contourner une règle qui n'est portée que par la vigilance.
**Ce qui tient** : un **organe** qui rend le manquement visible et bloquant.
**Exemples vécus**
- « Ne jamais intégrer une remarque non traitée » → un contrôle qui refuse
l'intégration tant que la remarque n'a pas reçu **une phrase** de réponse
- « Varier le travail » → un compteur qui plafonne les tâches faciles
- « Ne pas se marcher dessus » → le jeton de réservation
**La formulation qui a émergé**
> Une règle non appliquée demande un **organe**,
> pas davantage de vigilance.
Et son corollaire, plus dur à admettre :
> Un commit poussé après une remarque ne la lève pas.
> Ce qui lève une remarque, c'est **une phrase**.
> Un harnais de règles écrit, chargé automatiquement à chaque session — la
> plupart immédiatement, certaines à la demande selon le contexte. La
> documentation qui n'est pas chargée n'existe pas.
---
# Les garde-fous : on ne fusionne pas sur parole
**93 contrôles automatiques** s'exécutent sur chaque contribution. Ils ne
vérifient pas l'intention, ils vérifient le **livrable** :
- le notebook s'exécute-t-il vraiment de bout en bout ?
- la preuve formelle compile-t-elle, sans trou masqué ?
- le résultat annoncé est-il reproductible sur plusieurs tirages ?
- la contribution fait-elle **ce que son titre annonce**, rien de plus ?
**Le revers, mesuré aujourd'hui même.** Le contrôle unique qui protège la
branche principale a, pendant plusieurs heures, bloqué **78 contributions
saines** : le mécanisme censé le débloquer publiait un second verdict sous le
**même nom**, et la plateforme exige que **tous** les verdicts homonymes soient
au vert. Le sauvetage ne pouvait qu'ajouter une façon d'échouer.
> Un garde-fou est un actif **et** un risque d'exploitation. Celui-ci a été
> diagnostiqué en une requête — parce qu'il était instrumenté. Sans mesure, il
> serait passé pour « la file d'attente est saturée », et on aurait attendu.
Référence : Roslyn-Code-Guardrails.ipynb.
---
# Ce qui ne marche pas
Le retour d'expérience utile n'est pas la liste des réussites.
**1. L'affirmation confiante et fausse.** Un agent annonce volontiers « fait,
vérifié ». Le remède n'est pas la défiance, c'est l'**exigence de preuve
citée** : le numéro de ligne, la sortie de commande, le lien vers l'exécution.
**2. L'instrument qui répond « rien trouvé » quand il veut dire « je n'ai pas
regardé ».** Neuf fois en une seule session de travail, une mesure a rendu un
chiffre **plus petit et plus propre que la vérité** — donc rassurant. C'est le
mode de panne le plus dangereux, parce qu'il ne lève aucune alerte.
**3. La monoculture du facile.** Laissée libre, une équipe d'agents converge
vers les tâches courtes et sûres, et le travail de fond ne sort jamais. Il a
fallu un quota explicite.
**4. Le coût de coordination est réel.** Il croît plus vite que le nombre
d'agents. Au-delà d'une dizaine de postes, ce n'est plus l'IA qu'on optimise,
c'est l'organisation.
> Aucun de ces quatre points n'est propre à l'IA. Ce sont des pathologies
> d'organisation, que l'IA rend simplement **plus rapides**.
---
# Ce qu'un comité de direction peut en retenir
**1. Le gain n'est pas la génération, c'est le débit relu.** Produire du texte
ou du code est devenu gratuit ; ce qui reste cher, c'est de **savoir ce qu'on
peut intégrer**. Investir dans la relecture automatisée, pas dans la génération.
**2. La vérification doit être mécanique.** Tout ce qui repose sur la vigilance
d'une personne finit par céder sous le volume. Ce qui est vérifié par un
programme tient.
**3. Ce qui n'est pas mesuré n'est pas su.** Les deux incidents les plus coûteux
de ce projet ont été des mesures fausses, pas des décisions fausses.
**4. L'organisation est le facteur limitant, pas le modèle.** Les modèles
progressent seuls ; la distribution du travail, la non-duplication et le
contrôle qualité, non.
**5. Commencer par un périmètre où l'erreur est rattrapable.** Un dépôt de code
a une propriété rare : tout y est réversible et tracé. Peu de processus
d'entreprise offrent ce filet — c'est le premier critère de choix d'un pilote.
> Un atelier d'agents ne remplace pas une équipe. Il déplace le travail de
> l'exécution vers la **spécification** et le **contrôle** — les deux endroits où
> une direction a le plus à dire.
---
# Enjeux : hallucinations, alignement, régulation
- **Hallucinations** : un LLM peut affirmer avec assurance une chose fausse
- Atténuation : RAG, vérification, raisonnement pas à pas
- **Alignement** : s'assurer que le modèle suit l'intention humaine
- RLHF, DPO, garde-fous, supervision
- **Régulation** : l'AI Act européen encadre les usages à risque
- Transparence, documentation, obligations pour l'IA généraliste
- **Sécurité** : les clés et secrets vivent dans des fichiers protégés,
jamais dans le code, les prompts ou les sorties
> Un outil puissant appelle une utilisation **responsable**
Références : 22_Evaluating_Generated_Text.ipynb, 09b_Prompt_Security_RedTeam.ipynb.
---
# Ce qui est un vrai risque — et ce qui n'en est pas un
### Surestimé
- **Le remplacement.** Le goulot n'est pas la production, c'est la **relecture** — écrire dix fois plus réclame plus de relecteurs, pas moins.
- **L'autonomie du modèle.** Ni intention, ni mémoire entre deux appels. Le risque n'est pas qu'il décide : c'est qu'on le **laisse** décider sans vérifier.
- **L'hallucination comme fatalité.** Risque d'ingénierie, mesurable — atténué par le périmètre fermé, la source citée, la vérification.
### Sous-estimé
- **La fuite ordinaire.** Pas l'attaque : la pièce de dossier collée dans un service public gratuit. Premier risque réel, et **déjà là**.
- **La dépendance non arbitrée.** Un processus qui ne sait plus fonctionner sans le modèle — sans que personne l'ait décidé.
- **Le biais qui se durcit.** Appris sur l'historique, il reproduit la sélection passée. En souscription : discrimination indirecte, **opposable**.
- **L'absence de trace.** L'AI Act demande de documenter ; ce qui n'est pas tracé dès le pilote ne se reconstitue pas.
Le partage utile n'est pas « risqué / pas risqué » : c'est **rattrapable / irrattrapable**.
---
# Où la valeur se trouve — et où elle ne se trouve pas encore
### Mûr aujourd'hui
*l'erreur se voit, et se corrige*
- **Lire et structurer un document** : constat, pièce, conditions générales
- **Chercher dans un corpus fermé**, réponse rattachée à sa source
- **Pré-rédiger sous contrôle** : courrier, compte rendu, synthèse de dossier
- **Assister l'analyse** : code, données, exploration d'un portefeuille
### Pas encore
*l'erreur est silencieuse*
- **La décision autonome** sur un dossier
- **Le chiffre non vérifié.** Un modèle de langage ne calcule pas : il complète. Tarification et provisionnement passent par un **outil de calcul** qu'on appelle — jamais par le modèle lui-même.
- **Le jugement en zone grise**, là où la règle ne tranche pas et où c'est précisément le métier qui tranche
**L'IA ne remplace pas le métier : elle réorganise le travail autour de lui.** Une nuance, et elle compte devant des actuaires — elle n'automatise pas le **calcul**, elle automatise ce qui l'entoure.
---
# Pour aller plus loin : Notebooks
Ce deck couvre tous les domaines de l'IA. Pour approfondir avec des exemples pratiques :
> **GenAI - IA Générative**
> `MyIA.AI.Notebooks/GenAI/`
> Transformers, diffusion, LLMs, génération d'images, audio, vidéo
> `GenAI/Vibe-Coding/` : programmation par intention (Claude Code)
> **Search - Recherche et Optimisation**
> `MyIA.AI.Notebooks/Search/`
> Algorithmes génétiques, A*, optimisation locale
> **ML - Machine Learning**
> `MyIA.AI.Notebooks/ML/`
> ML.NET, arbres de décision, classification, régression
> **SymbolicAI - IA Symbolique**
> `MyIA.AI.Notebooks/SymbolicAI/`
> RDF, Z3 SMT, Tweety, Lean, ontologies, web sémantique
> **Probas - Modèles Probabilistes**
> `MyIA.AI.Notebooks/Probas/`
> Infer.NET, réseaux bayésiens, inférence probabiliste
> **GameTheory - Théorie des Jeux**
> `MyIA.AI.Notebooks/GameTheory/`
> OpenSpiel, équilibres de Nash, jeux stratégiques
---
layout: end
---
# Merci
Jean-Sylvain Boige
jsboige@myia.org
