Une alarme de pH se programme. Reconnaître une bouteille écrasée peut s’apprendre.

Une règle écrite : « si pH < 6, déclencher une alarme ». L’ingénieur choisit la condition.

Une règle apprise : des paramètres numériques, ajustés à partir d’exemples annotés.

Le gain : traiter des situations difficiles à décrire. La contrepartie : mesurer les erreurs sur des cas nouveaux.

Avant de choisir un outil : faut-il écrire une règle, apprendre sur des exemples, ou combiner les deux ?

Douze mesures de laboratoire. Comment prédire la prochaine ? Données pédagogiques.

Le modèle commence par une droite. Deux paramètres à régler : la pente et la hauteur.

Les traits rouges montrent les écarts entre prédictions et mesures. Ils servent à calculer une erreur.

Un petit réglage fait baisser l’erreur. Avec une dérivée, cette méthode s’appelle la descente de gradient.

On recommence : prédire, mesurer l’erreur, ajuster les paramètres.

La droite se rapproche des mesures. Elle ne passe pas forcément par chaque point.

Un réseau de neurones ajuste aussi des paramètres, mais ils sont beaucoup plus nombreux. Ensuite, il faut tester sur du neuf.

Trois entrées, des poids et un score. Un exemple simplifié de classification.

Chaque mesure est multipliée par un poids. Un poids négatif peut diminuer la sortie.

On additionne ces contributions. Une somme pondérée n’est pas nécessairement une moyenne.

Une fonction non linéaire transforme la somme. Ici, une courbe en S.

Le résultat 0,86 est un score. Il faut vérifier sa calibration avant de le lire comme une probabilité.

En reliant plusieurs couches, on forme un réseau profond. L’apprentissage ajuste les poids de ses connexions.

Deux modèles apprennent sur les mêmes objets. Lequel choisiriez-vous ?

Le modèle simple fait quelques erreurs sur les exemples d’entraînement.

Le modèle très souple peut mémoriser ces exemples, y compris leur bruit.

Le vrai départage se fait sur de nouveaux objets. Ici, le modèle simple généralise mieux.

Un dépôt, six arrêts et un camion. Distances illustratives.

L’ingénieur fournit les distances, la capacité et les horaires. Le problème est défini par ces contraintes.

Le solveur construit une première tournée admissible.

Il modifie la tournée et conserve une solution meilleure.

Un algorithme exact peut prouver l’optimalité pour le problème défini. Une heuristique seule ne le garantit pas.

Combinaison possible : un modèle prévoit les temps de trajet ; un solveur organise la tournée.

Des relevés de capteurs. Personne n’a étiqueté les régimes de fonctionnement.

On choisit ici trois groupes. Chaque mesure rejoint le centre le plus proche.

Chaque centre se déplace vers la moyenne de son groupe. Affectation et déplacement se répètent.

Les groupes décrivent des ressemblances. L’ingénieur doit ensuite les interpréter.

Un relevé isolé mérite une inspection. Une anomalie n’est pas encore un diagnostic de panne.

Le modèle reçoit du texte, puis propose un fragment de texte supplémentaire.

Le texte est découpé en jetons : mots, morceaux de mots ou signes.

Chaque jeton reçoit un identifiant, puis une représentation numérique apprise.

L’attention combine les informations du contexte utiles à la suite.

Le réseau attribue des probabilités aux jetons suivants. Les barres illustrent quelques candidats.

Un jeton est choisi. La température peut modifier la diversité de ce choix.

Le jeton rejoint le contexte. Le modèle recommence pour construire la réponse.

La référence montrée ici a été fabriquée pour le cours.

La forme est familière : auteurs, année, revue et résultat chiffré.

Le modèle peut compléter cette forme avec des éléments plausibles.

Produire une référence ne prouve pas qu’elle existe. Il faut une recherche et une vérification distinctes.

On recherche le titre, les auteurs, le DOI, puis on ouvre la source.

Enfin, on vérifie que l’article soutient réellement le chiffre cité.

Cas fictif : extraire une exigence de documents techniques, en citant la page.

Sans document, une réponse générale peut manquer la contrainte de votre installation.

On fournit le rapport et la fiche technique autorisés pour cet usage.

Un système RAG recherche les passages utiles puis les joint à la question du modèle.

La réponse associe chaque exigence à un extrait et à une page. Vous pouvez les ouvrir.

Une citation ne garantit pas une lecture correcte. Vérifiez le passage, les unités et les conditions.

La diffusion apprend à retirer du bruit. Cette animation en illustre le principe.

À l’entraînement, on ajoute du bruit aux images et on apprend à le retirer.

À la génération, on part d’un bruit et on applique des corrections successives.

Les formes et les détails deviennent reconnaissables, guidés par la demande.

L’image peut être convaincante sans décrire une installation réalisable.

Usage ici : expliquer et illustrer. Un schéma de conception exige une vérification technique.

Du pixel à la classe prédite : représentation simplifiée d’un réseau de vision.

L’image devient une grille de valeurs numériques.

Les premières couches peuvent détecter des contours et des contrastes.

D’autres couches combinent ces indices en motifs plus complexes.

La sortie attribue des scores aux catégories apprises.

Identifier une forme ne suffit pas toujours à identifier sa matière : le tri peut aussi utiliser le proche infrarouge.

Observer, classer, décider, éjecter. Les nombres affichés sont illustratifs.

La caméra et, selon la ligne, un capteur proche infrarouge observent les objets.

Le modèle localise les objets et produit des scores par catégorie.

L’exploitant choisit un seuil : au-dessus, l’objet est sélectionné.

Deux erreurs : sélectionner un intrus ou laisser passer de la matière recherchée.

Le robot ou le jet d’air réalise la séparation. Son débit doit suivre celui de la ligne.

La performance utile se mesure sur la sortie réelle : qualité, pertes et disponibilité.

Le flux sec du site A devient un flux humide au site B. Cas pédagogique.

Site A : les données ressemblent à celles de l’entraînement.

La qualification utilise de nouvelles images du site A. Elle ne garantit pas la performance ailleurs.

Site B : humidité, éclairage ou objets différents changent les entrées.

Les scores et les erreurs peuvent changer. Un score élevé ne suffit pas à détecter ce problème.

On prélève des objets, mesure les erreurs et décide s’il faut adapter ou réentraîner le système.

Même modèle, trois décisions possibles. Coûts fictifs pour comparer.

Précision : quelle part de nos prises est correcte ? Rappel : quelle part de la matière recherchée récupère-t-on ?

Un seuil plus haut sélectionne moins d’objets. Ici, la précision monte et le rappel baisse.

Un seuil plus bas récupère davantage de matière, mais aussi davantage d’intrus.

Le bon compromis dépend des coûts et des contraintes de sécurité. On le valide sur des données représentatives.

Exemple simulé : saisir un objet puis le déposer dans le bac.

Le robot observe un état, choisit une action et reçoit un résultat.

Une récompense indique si l’objectif est atteint. Elle ne décrit pas le bon geste.

Au fil des essais, la stratégie favorise les actions qui ont mieux réussi.

La réussite progresse dans cette simulation. Il faut ensuite tester la stratégie dans de nouvelles conditions.

Avant le réel : simulation, limites de sécurité et validation. Une récompense mal choisie enseigne le mauvais objectif.

Cas fictif : examiner une hausse de débit après un épisode de pluie.

Le modèle propose un plan : récupérer les séries de débit et de pluie.

Il demande à un outil de lire les données. Les droits de cet outil limitent son accès.

L’outil renvoie les mesures. Le modèle les utilise pour choisir la suite.

Une requête météo échoue. La boucle gère cette erreur au lieu d’inventer les données.

Les données météo arrivent. Il faut encore vérifier le lieu et la période.

Un outil calcule un ordre de grandeur. Une concordance temporelle ne prouve pas la causalité.

La note reste un brouillon. Une validation humaine précède son envoi ou une action sur l’installation.

On apprend à imiter un simulateur coûteux. Courbes pédagogiques.

Quelques résultats du simulateur servent à entraîner un modèle plus rapide.

Hors de la zone étudiée, les prédictions sont moins étayées.

Un optimiseur peut proposer un optimum dans cette zone mal connue.

Un calcul physique ou un essai réel peut démentir la proposition.

On borne la recherche, évalue l’incertitude et confirme les meilleurs candidats par un essai.

Une formulation, une température, un rendement. Chaque essai coûte du temps.

Le modèle estime une performance et une incertitude autour de sa prédiction.

Le prochain essai équilibre potentiel de gain et information nouvelle.

Le résultat mesuré complète les données et met à jour le modèle.

On répète avec le budget d’essais disponible.

Ici, sept essais illustrent la méthode. Le gain réel dépend du problème et se mesure face à une référence.

Un jumeau numérique relie un modèle et des observations du système réel.

Les mesures mettent à jour le modèle. Il peut combiner physique et apprentissage.

On compare un réglage virtuel avant de l’essayer. Les valeurs affichées sont fictives.

Un essai autorisé et surveillé permet de comparer la prédiction au réel.

Le suivi des écarts maintient le jumeau utile. Tous les jumeaux numériques n’utilisent pas de l’IA.

Un quartier fictif : chaque case représente un foyer.

Chaque foyer réagit à ses voisins, à une incitation et à l’effort demandé.

Les interactions font apparaître des groupes de comportements.

Le taux global évolue, même sans règle écrite pour tout le quartier.

Une intervention locale peut s’éteindre dans certaines conditions.

Elle peut se propager dans d’autres. Les conclusions dépendent des hypothèses et de leur calibration.

Le robot apprend une représentation de son environnement.

Il observe des transitions : état, action, état suivant.

Le modèle apprend à prédire la suite, dans l’image ou dans une représentation interne.

Des trajectoires imaginées servent à améliorer une stratégie.

Une simulation apprise peut se tromper. Le transfert au réel doit être testé.

DreamerV3 a été évalué sur plus de 150 tâches. Cela ne constitue pas une qualification pour une usine.

Les poids affichés sont pédagogiques, pas des mesures d’un modèle réel.

Chaque jeton est représenté par un vecteur de nombres.

Le modèle calcule des poids entre les représentations des jetons.

Ces poids permettent de combiner des informations du contexte.

Plusieurs têtes et plusieurs couches apprennent des relations différentes.

Un poids d’attention n’est ni une probabilité de vérité, ni une explication complète du raisonnement.

Exemple de RLHF : apprendre à produire des réponses jugées plus utiles.

Des évaluateurs comparent des réponses à une même question.

Un modèle de récompense peut apprendre ces préférences.

Le modèle de langage est ajusté pour obtenir de meilleures évaluations.

Les critères imparfaits peuvent encourager la complaisance. D’autres méthodes d’alignement existent aussi.

Même contexte, différentes façons de choisir le jeton suivant.

À température nulle, le choix favorise le jeton le plus probable.

À température plus élevée, d’autres suites deviennent plus fréquentes.

La diversité augmente, sans garantie d’améliorer la justesse.

Pour comparer des résultats, conservez la consigne, le modèle, sa version et les réglages disponibles.

Dialogue fictif : l’utilisateur suggère une valeur erronée.

La première réponse donne une valeur plausible pour le matériau demandé.

L’utilisateur insiste avec une autre valeur.

Le modèle peut céder. L’accord obtenu ne remplace aucune mesure.

SycEval distingue les changements corrects et incorrects : 14,66 % des cas testés deviennent incorrects.

Données simulées de deux catégories d’objets.

La première frontière est mal placée.

On compte les erreurs sur les exemples disponibles.

Les paramètres changent pour réduire l’erreur.

La frontière se rapproche de la séparation entre catégories.

On évalue ensuite sur un jeu réservé, jamais utilisé pour régler le modèle.

Une zone peu représentée demande de nouvelles données et des vérifications.

Une vue simplifiée d’un réseau convolutif.

L’image entre sous forme de valeurs numériques.

Une couche peut apprendre des filtres sensibles aux contours.

Les couches suivantes combinent les motifs détectés.

Ces représentations sont apprises, pas toutes nommées par un humain.

La sortie est un score de classification. La composition d’un matériau peut exiger d’autres capteurs.

Plus de paramètres et de données demandent davantage de ressources.

Les calculs d’un réseau reposent en grande partie sur des opérations matricielles.

Les GPU exécutent de nombreuses opérations en parallèle.

Entraîner un grand modèle mobilise plusieurs machines et des communications rapides.

À l’usage, un modèle plus petit et adapté peut être préférable. On mesure qualité, délai et coût.

Une requête, un entraînement, puis un parc mondial sur un an.

Une requête : la valeur dépend du modèle, de la longueur et du périmètre de mesure.

Un entraînement : une dépense ponctuelle à distinguer des usages qui suivent.

Un parc mondial : tous les usages des centres de données, pas seulement l’IA.