Mastère IDEC · 2 octobre 2026
L’IA, un outil pour l’ingénieur
Un problème. Un outil. Une preuve.
Illustration générée pour ce cours
Loïck Briot
IA Vision Industrielle
ArcelorMittal France
01Mines Nancy
02Tetrao
03TechLab
04Brio NovIA
IA · industrie · pédagogie
Cinq questions d’ingénieur
01Comprendre
02Rédiger
03Voir et agir
04Simuler
05Choisir
Quel usage avez-vous déjà essayé ?
0
Les bases de l’IA
Quelle tâche ? Quel apprentissage ? Quelle preuve ?
Illustration générée pour ce cours
Un outil, avec une fiche de validité
EntréeCe que l’on mesure
SortieCe que l’on prédit
DomaineOù cela tient
ErreurComment on la mesure
Comme un capteur : documenter avant d’utiliser.
Écrire une règle
01pH mesuré
02pH < 6 ?
03Alarme
La condition est choisie par l’ingénieur.
Cas 01Apprendre avec des réponses connues
01Mesures + faciès
02Apprentissage
03Nouveau faciès ?
Apprentissage supervisé
Ajuster pour réduire une erreur
Des mesures connues.
Prédire avec des paramètres.
Mesurer les écarts.
Ajuster, puis tester sur du neuf.
Exemple pédagogique · données fictives
Cas 02Classer ou prédire une valeur ?
ClassificationFaciès A / B / C
RégressionRésistance : 32 MPa
Même régime supervisé, deux sorties.
Trois régimes d’apprentissage
SuperviséExemples + réponses
Non superviséStructure des données
RenforcementActions + récompenses
Trois questions différentes.
Regrouper sans étiquettes
Des analyses d’eau sans catégories.
Rapprocher les mesures semblables.
Former des groupes.
Interpréter avec le métier.
Exemple pédagogique · données fictives
Cas 04Une anomalie appelle une enquête
Inhabituel ≠ panne identifiée.
Cas 05Chercher sous contraintes
01Équipes
02Créneaux
03Interventions
Une solution doit d’abord être admissible.
Cas 06Une forêt fait voter des arbres
Un tableau peut suffire.
USGS · Nolan et al.
Cas 06Le boosting corrige progressivement
Chaque étape complète le modèle précédent.
Cas 07Prévoir dans le temps
Tester dans le futur, pas sur le passé mélangé.
Nearing et al. · Nature 2024
Un réseau combine des valeurs
Les poids sont appris ; l’architecture est choisie.
Apprendre, régler, évaluer
01Entraînementpoids
02Validationchoix du modèle
03Test finalestimation finale
Trois rôles, pas trois noms interchangeables.
Validation et séparation des données
Ne pas reconnaître le décor
Site AImages connues
Site BLumière différente
Un test trop proche donne un faux sentiment de sécurité.
Validation et séparation des données
Cas 02L’erreur a une unité
EXEMPLE FICTIFMesuré : 30 · 32 · 34 MPa
Prédit : 31 · 30 · 37 MPa
Écarts : +1 · −2 · +3 MPa
Comparer à une référence simple.
Métriques : définitions
MAE : l’erreur absolue moyenne
Une erreur typique, dans l’unité du résultat.
Métriques : définitions
RMSE pénalise les grands écarts
√[(1² + 2² + 3²) / 3]=2,16 MPa
Le carré amplifie les grosses erreurs.
Métriques : définitions
Trois mesures ne font pas une population
DispersionLes erreurs varient
ÉchantillonQui a été observé ?
IncertitudeQuelle stabilité du résultat ?
Toujours afficher le nombre de cas.
80 % sur combien de cas ?
16 sur 20IC 95 % ≈ 58–92 %
1 600 sur 2 000IC 95 % ≈ 78–82 %
Même taux, incertitude différente.
Un score n’est pas encore une probabilité
La calibration se vérifie sur des données nouvelles.
Calibration des probabilités
Quel apprentissage ?
Nous avons des mesures, sans étiquettes.
- ASupervisé
- BNon supervisé
- CRenforcement
- DAucune analyse possible
Regrouper peut aider. Les groupes restent à interpréter.
1
L’IA qui rédige et répond
Une réponse utile doit pouvoir se vérifier.
Illustration générée pour ce cours
Cas 08Une question, une pièce justificative
EXEMPLE FICTIFPompe P-17
Pression maximale : 6 bar
Température : 5 à 45 °C
« Quelle pression ne faut-il pas dépasser ? »
Le langage devient des jetons
Prédire une suite plausible, dans un contexte.
L’attention combine le contexte
« La cuve chauffe. Elle fuit. »
Relier les représentations des mots.
Combiner les informations utiles.
Produire la suite, sans garantie de vérité.
Exemple pédagogique · données fictives
Un assistant reçoit d’autres apprentissages
01Pré-entraînement
02Instructions
03Préférences
Utile et poli ne signifie pas infaillible.
Cas 08Chercher avant de répondre
01Question
02Passage trouvé
03Réponse citée
RAG : rechercher, puis générer.
Lewis et al. · RAG
Cas 08La citation doit soutenir la réponse
EXEMPLE FICTIFSource : 6 bar
Réponse : « jusqu’à 8 bar »
Même page citée. Mauvaise conclusion.
Ouvrir la source ne suffit pas : comparer.
Cas 09Résumer sans inventer une décision
01Rapport d’essai
023 constats
032 passages
Chaque conclusion retrouve sa preuve.
Cas 10Votre calcul, avant la réponse
EXEMPLE FICTIFDébit : 12 m³/h
Concentration : 250 mg/L
Durée : 8 h
Quelle masse ? Prenez une minute.
Cas 10Une réponse plausible à rejeter
EXEMPLE FICTIF« Masse traitée : 240 kg »
Où est l’erreur ?
Cas 10La preuve tient en trois conversions
0196 m³
020,25 kg/m³
0324 kg
12 × 8 × 0,25 = 24
Cas 11Cette référence existe-t-elle ?
EXEMPLE FICTIFMartin & Leroy, 2024
Perméabilité des calcaires karstiques
Journal of Applied Karst Engineering
Une forme académique peut être inventée.
Cas 12Une négation change la consigne
SourceNe pas fermer la vanne
Traduction fautiveClose the valve
Traduire les mots, conserver l’obligation.
Cas 13Lire la bonne cellule
EXEMPLE FICTIFÉchantillon | Pb (mg/L)
A-17 | 0,08
A-18 | 0,80
OCR + extraction : contrôler colonne, unité, virgule.
Cas 14Transcrire une réunion d’essais
« Quinze » ou « cinquante » ?
Cas 15Un script doit passer un test connu
01CSV
02Script proposé
03Test : 24 kg
Le code s’exécute ; son intention se vérifie.
Cas 16Générer une image n’est pas concevoir un plan
Illustration pédagogique généréeSuivez une tuyauterie. Tout est-il cohérent ?
Cas 16La diffusion affine une proposition
01Bruit
02Détails cohérents
03Image
La cohérence visuelle ne prouve pas le réel.
Un bon contradicteur demande une preuve
Consigne faibleTu es d’accord ?
Consigne utileQuelles preuves manquent ?
Séparer observation, hypothèse et conclusion.
Quelle vérification est la plus forte ?
Une réponse donne une valeur technique.
- AElle est bien formulée
- BDeux assistants sont d’accord
- CLe passage source la confirme
- DLe score paraît élevé
Vérifier la source, sa version et ses conditions.
2
L’IA qui voit et agit
Détecter. Décider. Mesurer le résultat.
Illustration générée pour ce cours
Cas 17Une ligne de tri, plusieurs outils
Illustration pédagogique générée Caméra → détection → décision → prise
Terex/ZenRobotics · Carl F
Cas 17Voir un objet, reconnaître une matière
DétecterOù est l’objet ?
ClasserQuelle catégorie ?
SegmenterQuels pixels ?
Trois tâches ; pas trois vérités absolues.
Cas 17Commençons par cent objets
20 PET · 80 autres · exemple fictif
Cas 17Deux erreurs différentes
Faux positifAutre matière classée PET
Faux négatifPET classé autre matière
Polluer le flux ou perdre de la récupération ?
Métriques : définitions
Cas 17La matrice de confusion
Réel PETRéel autrePrédit PET16Vrais positifs
8Faux positifs
Prédit autre4Faux négatifs
72Vrais négatifs
Lignes : prédiction · colonnes : réalité
Métriques : définitions
Cas 17Précision : parmi les PET annoncés
16 vrais positifs16 + 8 annoncés PET=66,7 %
Que contient le flux que je garde ?
Métriques : définitions
Cas 17Rappel : parmi les vrais PET
16 retrouvés16 + 4 vrais PET=80 %
Quelle part des PET ai-je retrouvée ?
Métriques : définitions
Cas 17Exactitude globale : les bonnes réponses
16 + 72 corrects100 objets=88 %
88 % ne résume pas le coût des erreurs.
Métriques : définitions
99 % peut cacher tous les défauts
1 000 pièces10 défectueuses
Toujours « conforme »99 % correctes
Défauts retrouvés0 sur 10
Rappel des défauts : 0 %
Métriques : définitions
F1 combine précision et rappel
2 × 162 × 16 + 8 + 4=72,7 %
Utile pour comparer ; pas un coût économique.
Métriques : définitions
Cas 17Le seuil change les erreurs
Déplacez le seuil. Qui est accepté ?
Un point ne décrit pas tous les seuils
Courbe PRPrécision / rappel
Courbe ROCRappel / taux de FP
DécisionUn seuil, un coût
Le taux de FP = FP / (FP + VN).
Métriques : définitions
Quel défaut coûte le plus ?
Positif = défaut. Une pièce dangereuse passe.
- AVrai positif
- BFaux positif
- CFaux négatif
- DVrai négatif
Faux négatif : le défaut n’a pas été détecté.
Cas 17Le même modèle change de site
Site AFond clair, objets propres
Site BOmbres, objets souillés
Remesurer avant de transférer.
Cas 18Une fissure devient un masque
Un contour prédit reste à confirmer.
Cas 19Repérer une onde, pas prédire un séisme
PhaseNet repère des arrivées P et S.
PhaseNet · Zhu et Beroza
Cas 20Défaut d’acier ou reflet ?
L’éclairage fait partie du système.
Cas 21Une zone chaude ne donne pas la cause
Température, charge, environnement : croiser.
Cas 22Sur Mars, choisir où mesurer
NASA/JPL-Caltech/LANL/CNES/IRAP/LPGNantes/CNRS/IASL’image choisit la cible ; l’instrument analyse.
NASA/JPL · AEGIS
Cas 23Deux plastiques, deux signatures
Choisir le bon capteur avant le modèle.
Apprendre à agir par renforcement
Un état, une action possible.
Agir puis observer.
Recevoir une récompense.
Améliorer une politique.
Exemple pédagogique · données fictives
Cas 24Imiter ou explorer ?
ImitationCopier des démonstrations
RenforcementOptimiser les conséquences
La récompense doit refléter le bon objectif.
Un agent utilise des outils
01Observer
02Choisir un outil
03Vérifier
04Agir
Une action importante garde un responsable.
Pause
15h55
Reprise : simuler avant d’agir.
3
L’IA qui simule et optimise
Quel essai choisir ensuite ?
Le laboratoire a un budget limité
Tester partout est impossible.
Un substitut approxime la réponse
Des essais réels alimentent un modèle.
Prédire entre les mesures.
Montrer aussi le doute.
Confirmer le candidat par un essai.
Exemple pédagogique · données fictives
Cas 25Apprendre ou améliorer ?
Apprentissage actifRéduire ce que l’on ignore
Optimisation bayésienneChercher une bonne réponse
Les critères de choix ne sont pas identiques.
Cas 25Quel essai choisiriez-vous ?
Meilleure valeur prévue ou zone incertaine ?
Cas 25Hors domaine, le modèle continue de répondre
Une sortie disponible n’est pas une sortie valide.
Cas 26Imiter un calcul de sous-sol
Pression simulée → pression prédite → erreur
Yan et al. · Scientific Reports 2022
Cas 27Une prédiction n’est pas un optimum
01Durées prévues
02Contraintes
03Tournée choisie
Prévoir et optimiser sont deux opérations.
Cas 27Deux objectifs, plusieurs compromis
Le métier choisit le compromis.
Cas 28Optimiser une réaction réelle
01Conditions
02Rendement mesuré
03Prochain essai
Une boucle expérimentale, pas une promesse universelle.
Shields et al. · Nature 2021
Cas 29Un jumeau reste relié au réel
01Installation
02Mesures
03Modèle
04Décision
Le modèle est mis à jour par les observations.
Cas 32La physique apporte des contraintes
MesuresPeu de points
PhysiqueBilans, équations
ModèleCombiner, puis vérifier
Respecter une équation ne garantit pas tout.
Cas 30Des décisions locales, un effet collectif
Chaque case : un foyer, pas un LLM.
Tong et al. · recyclage à Pékin
Cas 30Déplacer un bac peut changer le scénario
01Distance
02Participation
03Voisinage
Quel levier testeriez-vous ?
Cas 31Une filière dépend aussi des acheteurs
01Chantier
02Recyclage
03Granulats
04Acheteurs
Un débouché modifie les flux.
Knoeri et al. · JASSS 2014
Quatre modèles à ne pas confondre
SimulateurReproduire une dynamique
SubstitutApproximer une réponse
JumeauRelier modèle et réel
World modelApprendre une dynamique
Ils peuvent se combiner.
Imaginer les effets d’une action
Observer un état.
Apprendre état + action → suite.
Comparer des trajectoires imaginées.
Revenir au réel pour vérifier.
Exemple pédagogique · données fictives
Cas 33Le banc d’essai fixe la portée du résultat
DreamerV3Plus de 150 tâches
Ce que cela prouveRésultats sur ces bancs
Ce que cela ne prouve pasUne usine qualifiée
Lire le protocole avant le chiffre.
DreamerV3 · Nature 2025
Cas 34Générer plusieurs futurs météo
GenCast : diffusion et prévision probabiliste.
GenCast · Nature 2025
Cas 35Le renforcement contrôle aussi des formes
Tokamak TCV : simulation, puis expérience.
Degrave et al. · Nature 2022
Le meilleur réglage prédit suffit-il ?
Le modèle propose une zone jamais mesurée.
- ALancer directement
- BConfirmer par un essai
- CCroire le score maximal
- DSupprimer les contraintes
Extrapolation : contrôler le domaine et confirmer.
4
Synthèse
Choisir une méthode. Définir une preuve.
Illustration générée pour ce cours
Même grille, quatre situations
DocumentSource qui soutient
PompeAlertes utiles
TrieurFP, FN, flux sortant
EssaisRésultat confirmé
Quelle preuve accepteriez-vous ?
La fiche de validité d’un modèle
DomaineSite, période, population
HypothèsesUnités, capteurs, contexte
ValidationRéférence, test, erreurs
UsageSeuil, contrôle, arrêt
Une version, un responsable, une date de revue.
Les métriques dépendent de la tâche
ClassifierPrécision, rappel, FP/FN
RégresserMAE, RMSE, biais
ProbabilitésCalibration
DéciderCoûts, délais, contraintes
Toujours : effectif, référence et incertitude.
Le plus simple est une vraie référence
01Règle
02Petit modèle
03Grand modèle
Même tâche. Même test. Coût complet.
L’électricité : préciser le périmètre
Une requêteModèle, longueur, service
Un entraînementCalcul ponctuel
Parc mondialTous usages, une année
Des frontières différentes, pas une valeur universelle.
AIE · Energy and AI 2025
415 TWh : de quoi parle-t-on ?
415 TWh
2024MondeCentres de données
Tous les usages, pas seulement l’IA.
AIE · Energy and AI 2025
Le matériel a aussi une histoire
01Fabrication
02Usage
03Réemploi
04Fin de vie
Énergie, eau, matériaux : regarder le cycle.
Un modèle validé sur A arrive sur B
Même métier, autre site : que faire ?
- ARéutiliser le score de A
- BRemesurer sur B
- CAugmenter sa confiance
- DRetirer les cas difficiles
Le domaine de validité se démontre, il ne se transfère pas par son nom.
Votre prochain essai
Une tâcheLimitée et utile
Une référenceCe qui existe déjà
Une preuveCe qui fera décider
Fiche métriques · Ressources