L'IA, un outil pour l'ingénieur — à emporter

Ce que vous pouvez garder du cours : la définition, les familles, la grille d'usage, les bonnes pratiques, les mécanismes à rejouer, et toutes les sources des chiffres cités.

La définition, et les trois mots

L’IA regroupe notamment des méthodes de raisonnement sur des règles et des méthodes d’apprentissage à partir de données. Pour un modèle appris, on examine les données, la généralisation sur des cas nouveaux et le domaine de validité de son évaluation.

Revenir au cours · 29 animations pour approfondir

Nouvelle fiche : métriques, statistiques et domaine de validité — matrice de confusion, précision/rappel, seuil manipulable, MAE/RMSE, incertitude et validation.

Le calcul du cours

Cas pédagogique : débit constant 12 m³/h, concentration constante 250 mg/L, durée 8 h. Masse = 12 000 L/h × 250 mg/L × 8 h = 24 000 000 mg = 24 kg. Pour des mesures variables, calculer chaque intervalle avec ses propres valeurs et sommer les masses.

Les familles

Famille	Principe	Exemple dans votre domaine
Règles et logique	L'humain écrit les règles ; optimisation, planification	Tournées de collecte, vérification de préconditions
Supervisé	Exemples étiquetés, le modèle imite	Trieur optique, prédiction d'une propriété
Non supervisé	Regrouper, compresser, détecter l'inhabituel	Anomalies sur les capteurs d'un four
Renforcement	Essais, erreurs, récompense : une stratégie	Saisie robotisée, pilotage d'une consigne en simulateur
Apprentissage profond	Réseaux à beaucoup de couches ; outil des trois précédentes	Vision, langage, séries temporelles
Génératif	Produire du texte, des images, du son plausibles	Rédaction, illustration, données synthétiques
Agents	Un modèle de langage qui appelle des outils en boucle	Assistant de bureau d'études, extraction de données
Modèles du monde	Simuler un environnement et ses conséquences	Entraîner un robot en simulation avant le site

La grille d'usage

	Rédige et répond	Voit et agit	Simule et optimise
Domaine de validité	Sujets fréquents, documents que vous fournissez	Flux et conditions proches de l'entraînement	Intérieur de l'espace échantillonné
Incertitude	Invisible dans la forme : recouper, demander ce qu'il ne sait pas	Précision et rappel par classe, seuil choisi selon les coûts	Erreur sur des points jamais vus, marge fournie ou non
Vérification	Ouvrir les sources, faire exécuter les calculs	Échantillonnage humain de la sortie	Essai réel sur les points retenus
Réétalonnage	Nouveau modèle, nouvelles données fournies	Images locales quand le flux change ; propriété des données	Nouveaux points quand le procédé bouge
Responsabilité	L'ingénieur qui signe. L'outil ne signe pas.

Les bonnes pratiques avec un modèle de langage

1. Fournir la matière : collez le document, les données, la norme. Le modèle travaille dedans, pas dans sa mémoire.
2. Demander le doute : « indique ce dont tu n'es pas sûr et ce qu'il faudrait vérifier ».
3. Ouvrir la source : toute référence se cherche (titre, auteurs, DOI, contenu) avant usage. Une référence que vous n'avez pas vérifiée n'est pas une référence.
4. Faire calculer, pas deviner : demandez le code et exécutez-le ; refaites l'arithmétique qui engage.
5. Contre-interroger : un second modèle ou une formulation opposée sert à produire des objections ; on tranche par les données, le calcul ou la source primaire.
6. Relire et signer : rien de ce qui engage ne part sans relecture humaine. Pas de données confidentielles vers un service en ligne sans vérifier sa politique.

Qualifier un système de vision ou de tri

1. Sur quel flux la performance a-t-elle été mesurée ? Le mien ou une démonstration ?
2. Précision et rappel par classe, pas une moyenne ; le seuil se place d'après le coût de chaque erreur.
3. Que fait le système quand il doute, et quand un emballage nouveau arrive ?
4. Qui réétalonne, avec quelles images, à quelle fréquence, à quel prix ? Qui possède les données ?
5. Un témoin humain : échantillonnage régulier de la sortie.

Qualifier un modèle de substitution ou une simulation

1. Les points d'entraînement couvrent-ils l'espace d'usage (coins, extrêmes, interactions) ?
2. Erreur mesurée sur des points jamais vus, en unités physiques.
3. L'optimum proposé est-il dans le domaine des données ? Reconfirmé par un essai réel ?
4. Respecte-t-il les bilans de masse et d'énergie ?
5. Pour une simulation multi-agents : les règles des agents sont des hypothèses ; calibrées sur quoi ? On compare des politiques, on ne prédit pas un chiffre.

Les démonstrations, à rejouer

• Un réseau de neurones qui apprend : sous- et sur-apprentissage, domaine de validité.
• Le jeton suivant : jetons, probabilités, température ; fluide n'est pas vrai.
• Générer une image, c'est débruiter.
• Reconnaître un objet avec votre caméra (modèle CLIP exécuté dans le navigateur).
• Score, seuil, précision, rappel, coût.
• Un agent, pas à pas.
• Modèle de substitution et extrapolation.
• Un quartier qui trie : simulation multi-agents.

Les chiffres cités et leurs sources

Vérifiés le 1er octobre 2026. Les périmètres diffèrent d'une source à l'autre : aucun chiffre d'empreinte n'est un consensus.

Pour aller plus loin

• AIE, Energy and AI (2025) et ses mises à jour.
• Stanford RegLab, Hallucination-Free? (2024) : un protocole de mesure réutilisable dans votre domaine.
• Greyparrot, bilan 2025 : ce qu'une caméra voit sur 65 centres de tri.