Comprendre & utiliser l'IA

Une définition simple

L'intelligence artificielle, c'est l'ensemble des techniques qui permettent à une machine de réaliser des tâches qu'on associait à l'intelligence humaine : comprendre un texte, reconnaître une image, décider, créer. La nuance essentielle : une IA apprend à partir de données et d'exemples, elle ne suit pas des règles écrites à la main. Et ce n'est ni magie ni conscience, au fond, des mathématiques et des statistiques.

IA, Machine Learning, Deep Learning, IA générative

Ces termes s'emboîtent, du plus large au plus précis :

IA étroite vs IA générale

Le tournant : l'IA générative a tout changé

Une longue trajectoire : d'abord l'IA symbolique (des règles écrites), puis le Machine Learning (apprendre des données), puis le Deep Learning (vers 2012, la révolution de l'image), enfin l'IA générative (2022, le langage grand public). Les modèles de langage (LLM), entraînés sur d'immenses quantités de texte, savent dialoguer, rédiger, résumer, traduire, coder, et surtout, ils sont accessibles à tous par une simple conversation. C'est le sujet de tout le reste du cours.

L'IA apprend, elle n'est pas programmée

Le cheminement : Données → Entraînement → Modèle → Prédictions. Conséquence directe : la qualité d'une IA dépend de la qualité et de la quantité des données vues à l'entraînement. De mauvaises données → un mauvais modèle.

Trois façons d'apprendre

Sous le capot : un LLM prédit le mot suivant

Face à « Le chat dort sur le _____ », le modèle estime la probabilité de chaque mot possible :

Il choisit un mot probable, puis recommence avec le suivant, et ainsi de suite. Ce n'est pas une encyclopédie qui récite : c'est une machine à prédire.

Tokens et fenêtre de contexte

Le texte est découpé en petites unités, les tokens (souvent des morceaux de mots) : « L'intelligence artificielle » ≈ 5 tokens. Le modèle ne raisonne pas en mots mais en tokens, c'est aussi l'unité de facturation des IA payantes. La fenêtre de contexte, c'est tout ce que le modèle « voit » à un instant : votre question + l'historique. C'est sa mémoire de travail, et elle est limitée.

De l'entraînement à l'assistant

1 · Pré-entraînement, le modèle « lit » d'énormes quantités de texte et apprend la langue et des connaissances générales. Des milliards de paramètres sont ajustés ; c'est long et coûteux. 2 · Ajustement (alignement), à partir de retours humains, on l'oriente vers des réponses utiles, honnêtes et sûres. C'est ce qui transforme un « moteur à texte » brut en assistant fréquentable.

Qu'est-ce qu'un prompt ?

Le prompt, c'est l'instruction que vous donnez au modèle, votre message. C'est votre seul levier de pilotage : toute la qualité de la réponse en dépend. La formule consacrée : « garbage in, garbage out ». Une demande floue donne une réponse floue ; une demande précise et cadrée donne une réponse utile. Bonne nouvelle : bien « prompter » s'apprend, et quelques règles suffisent à faire une grosse différence.

Les ingrédients d'un bon prompt

• Donnez un rôle, « Tu es un expert en… » : cela cadre le ton et le niveau.
• Donnez le contexte, le modèle ne sait que ce que vous lui dites. Précisez la situation, le public, le but.
• Soyez précis sur la tâche, une demande claire, une seule à la fois.
• Précisez le format, longueur, structure, style : « en 5 puces », « ton formel », « tableau »…
• Montrez un exemple / des contraintes, donnez un exemple du résultat voulu, et dites ce que vous ne voulez pas.

Le même besoin, deux prompts

# Écris un email.

# Aucun rôle, aucun contexte,
# aucun format. Le modèle
# doit tout deviner.
# → réponse générique.

# Rôle
Tu es mon assistant com.
# Contexte
Réunion projet, 4 collègues,
jeudi 14h, salle B12.
# Tâche
Rédige un email d'invitation.
# Format
Objet court · 5 lignes max ·
finis par une demande de confirmation.

Même IA, même outil, seule l'instruction change. La précision du prompt fait la qualité de la réponse.

Trois techniques utiles

Les pièges à éviter

[RÔLE]      Tu es {expert / assistant / relecteur} en {domaine}.
[CONTEXTE]  {situation, public visé, contraintes, ce qui existe déjà}
[TÂCHE]     {une seule action claire et précise}
[FORMAT]    {longueur, structure, ton ; ex. tableau, 5 puces}
[EXEMPLE]   {un exemple du résultat attendu, si possible}

Du chatbot à l'agent

En une phrase : un agent, c'est un modèle de langage à qui on a donné des outils et un objectif, et qui décide quoi faire pour l'atteindre.

Ce que les agents apportent

• Tâches multi-étapes, enchaîner automatiquement des étapes vers un objectif.
• Données fraîches & réelles, aller chercher l'information à jour (web, fichiers, bases) au lieu de se limiter à sa mémoire.
• Agir, pas seulement conseiller, remplir un formulaire, envoyer un message, modifier un fichier, lancer un calcul.
• Gagner du temps, automatiser les workflows répétitifs.

Les briques d'un agent

Au centre, le LLM raisonne et décide. Autour : des outils (web, fichiers, API, code) et une mémoire (contexte + base de connaissances). Le tout fonctionne en boucle :

Objectif   →   Réflexion   →   Action   →   Observation
   └───── (on répète jusqu'à atteindre l'objectif) ────┘

Pour puiser dans des connaissances externes à jour, on utilise le RAG (Retrieval-Augmented Generation) : on recherche d'abord les informations pertinentes, puis on les donne au modèle pour qu'il génère sa réponse à partir d'elles.

Concrètement, et avec prudence

Le piège n°1 : les hallucinations

Une hallucination, c'est quand l'IA invente une information fausse… mais présentée avec assurance et de façon parfaitement plausible. Pourquoi ? Souvenez-vous : le modèle prédit le mot le plus plausible, il ne vérifie pas la vérité. Quand il ne « sait » pas, il comble le vide avec quelque chose de crédible, citations, dates, références : tout peut être inventé.

• Vérifier toute information importante à la source.
• Se méfier des chiffres, citations et références précises.
• Recouper, surtout pour une décision qui compte.

Biais, date de connaissance, excès de confiance

Usage responsable

• Vos données, ne saisissez pas d'informations sensibles, personnelles ou confidentielles : elles peuvent être conservées ou réutilisées.
• Propriété & plagiat, le contenu généré peut s'inspirer d'œuvres existantes. Citez, vérifiez, n'usurpez pas la paternité.
• Environnement, entraîner et utiliser ces modèles consomme énergie et eau (voir module 6).
• Responsabilité, en cas d'erreur, c'est l'humain qui décide qui reste responsable. L'IA n'assume rien.

Une requête n'est pas « gratuite »

Derrière chaque prompt, un data center calcule. Cela consomme de l'électricité, de l'eau (refroidissement des serveurs) et du matériel (fabrication des puces). Invisible, mais bien réel.

À l'échelle d'une requête, c'est peu, et l'efficacité progresse vite. Le vrai enjeu, c'est le volume : des milliards de requêtes par jour, et des data centers en pleine expansion. (Ordres de grandeur 2025, très variables selon le modèle et la requête.)

Tokens = énergie… et argent

L'énergie, et le prix, d'une requête dépend surtout du nombre de tokens traités, en entrée comme en sortie.

• Une réponse longue, plus de tokens générés = plus de calcul. « 2 pages » coûte plus que « 5 lignes ».
• Gros modèle, mode raisonnement, les modèles qui « réfléchissent » étape par étape peuvent consommer 3 à 4× plus.
• De multiples allers-retours, à chaque échange, tout l'historique est relu et recalculé.
• Le format, une image ≈ 10× une requête texte ; une vidéo, bien davantage.

Des prompts plus sobres, et la bonne question

• Visez juste du premier coup, un prompt précis évite les itérations, autant de calculs en moins.
• La bonne longueur, le bon format, demandez 5 lignes, pas 2 pages de remplissage.
• Repartez d'une conversation neuve, plutôt que de traîner un très long historique relu à chaque message.
• Le bon modèle pour la tâche, pas le plus gros par défaut pour une question triviale.

De l'IA-chat à l'IA dans le code

Jusqu'ici, le chat. En pratique professionnelle, on appelle les modèles par API, depuis son propre code : l'IA devient une brique de vos applications.

• API / SDK, appeler un modèle tient en quelques lignes : on envoie un prompt, on reçoit une réponse.
• Clé & tokens, une clé d'API authentifie vos appels ; la facturation se fait au token (entrée et sortie).
• Un service externe, à gérer comme tout service tiers : version du modèle, coût, latence, disponibilité.

# pseudo-code : appeler un modèle par API
reponse = client.messages.create(
    model   = "un-modele",
    system  = "Tu es un assistant concis.",   # le cadre
    message = "Résume ce texte : ..."           # la demande
)
# facturé selon (tokens en entrée + tokens en sortie)

Concrètement : vous intégrerez sans doute l'IA dans un produit avant d'en entraîner une vous-même.

Quand (ne pas) utiliser l'IA

Le piège : un LLM pour ce qu'une règle ferait mieux. Le bon réflexe d'ingénieur : choisir l'outil adapté au problème.

Comment savoir si la réponse est bonne ?

Une réponse fluide et sûre d'elle n'est pas forcément correcte. On l'évalue, comme on teste du code :

• Vérifier sur des cas connus, comparer la sortie à une « vérité terrain » que vous maîtrisez.
• Comparer plusieurs réponses, confronter différents prompts ou modèles sur la même tâche.
• Faire relire (humain), pour tout ce qui compte vraiment.
• Industrialiser : les « evals », des jeux de tests automatisés mesurent la qualité dans la durée.

Sécurité : l'injection de prompt

L'injection de prompt : quand une application laisse entrer du texte extérieur (page web, document, message), ce texte peut contenir des instructions cachées qui détournent le modèle.