Leçon 6 — Récapitulatif et FAQ
Les cinq leçons en une page
Leçon 1 — le problème. Certaines tâches ne peuvent pas s'écrire sous forme de règles, parce que nous sommes incapables d'énoncer les règles que nous utilisons nous-mêmes. Le machine learning contourne l'obstacle en déduisant les règles d'exemples étiquetés. Il n'est devenu exploitable que vers 2012, quand les grands jeux de données et les processeurs graphiques sont enfin arrivés ensemble.
Leçon 2 — la définition. L'IA est toute technique permettant à une machine de déduire son comportement de données au lieu d'instructions écrites à la main. Tout ce qui est déployé aujourd'hui est de l'IA spécialisée : excellente sur une tâche, inutile en dehors. Aucun modèle ne comprend ce qu'il fait, ce qui va très bien quand une erreur est bon marché et visible, et devient dangereux quand elle ne l'est pas.
Leçon 3 — les trois cercles. L'IA est l'objectif, le machine learning est la méthode dominante, le deep learning est la branche qui traite les données brutes en découvrant ses propres variables. Utilisez le deep learning sur les images, le son et le texte ; commencez par un ensemble d'arbres sur les tableaux, où il gagne le plus souvent de toute façon.
Leçon 4 — le mécanisme. L'entraînement note les erreurs du modèle sous forme de nombre et pousse chaque paramètre vers le bas contre ce score, des millions de fois. Trop peu d'exemples laissent le modèle mémoriser au lieu de généraliser, et cet échec n'est visible que si vous réservez un jeu de test.
Leçon 5 — la réalité. L'IA est rentable sur des tâches étroites, à fort volume et à étiquettes fiables. L'IA générative fonctionne comme assistance avec relecture, pas comme autonomie. La disponibilité des données, la tolérance aux réponses probabilistes et une cible mesurable décident du sort d'un projet avant tout algorithme.
Glossaire des termes que vous rencontrerez partout
| Terme | Ce que cela veut dire, simplement |
|---|---|
| Modèle | une fonction munie de nombres réglables, ajustés par l'entraînement pour relier des entrées à des sorties |
| Paramètres / poids | ces nombres réglables ; un grand modèle de langage en compte des centaines de milliards |
| Entraînement | la boucle qui ajuste les paramètres pour réduire les erreurs sur les exemples |
| Inférence | l'usage du modèle entraîné pour obtenir une prédiction ; bon marché et rapide |
| Variable explicative (feature) | une variable d'entrée que le modèle lit, par exemple « ancienneté du client en mois » |
| Étiquette (label) | la bonne réponse attachée à un exemple d'entraînement |
| Perte (loss) | le nombre qui note l'ampleur de l'erreur d'une prédiction |
| Époque (epoch) | un passage complet sur l'ensemble du jeu d'entraînement |
| Surapprentissage | mémoriser les exemples au lieu d'apprendre le motif |
| Dérive (drift) | le monde qui change après l'entraînement, si bien que le modèle gelé se dégrade peu à peu |
| Hallucination | un modèle génératif produisant un contenu fluide, assuré et faux |
| Fine-tuning | reprendre un modèle entraîné par quelqu'un d'autre et l'adapter à vos données |
| Transformeur | l'architecture derrière les modèles de langage modernes, introduite en 2017 |
| GPU | le processeur parallèle qui rend l'entraînement des réseaux profonds réalisable |
Les 14 questions que les gens posent vraiment
1. Faut-il un doctorat pour travailler en IA ?
Non. Un doctorat est quasi nécessaire pour la recherche — inventer de nouvelles architectures, publier. L'immense majorité des postes en IA ne relèvent pas de la recherche : il s'agit d'appliquer des méthodes connues aux données d'une entreprise, ce qui demande une bonne ingénierie, une manipulation soignée des données et une compréhension du métier. Beaucoup de praticiens productifs viennent du développement logiciel ou de l'analyse de données.
2. Combien de mathématiques faut-il réellement ?
Moins que ce que laisse croire Internet, plus que zéro. Pour utiliser les bibliothèques avec compétence, il vous faut une intuition dans trois domaines : l'algèbre linéaire (un vecteur est une liste de nombres, une matrice les transforme), les probabilités (une prédiction est une distribution, pas un verdict) et le calcul différentiel (une dérivée est une pente, ce qui est exactement le ressort de la descente de gradient). Manipuler des démonstrations n'est nécessaire que si vous visez la recherche. Le cours Mathématiques pour l'IA enseigne précisément cette intuition.
3. Quel langage apprendre ?
Python, sans hésiter. Non pas parce que c'est le langage le plus élégant, mais parce que tout l'écosystème est bâti dedans : NumPy, pandas, scikit-learn, PyTorch, TensorFlow. Choisir un autre langage, c'est réimplémenter des outils qui existent déjà et perdre l'accès à tous les tutoriels et à toutes les implémentations d'articles de recherche. Python pour l'IA commence là.
4. L'IA va-t-elle remplacer mon métier ?
Elle en changera plus probablement le contenu qu'elle ne supprimera le poste. Les tâches les plus exposées sont répétitives et bien documentées : transcription standard, premier jet rédactionnel, code répétitif de routine. Ce qui résiste, c'est décider ce qu'il faut faire, arbitrer entre des contraintes contradictoires, et rendre des comptes sur le résultat. La réponse pratique est d'apprendre à travailler avec ces outils plutôt que de les concurrencer sur leur terrain.
5. L'IA est-elle dangereuse ?
Les risques réalistes ne sont pas les risques de cinéma. Ce sont, à peu près par ordre de dégâts actuellement causés : la discrimination automatisée par des modèles qui reproduisent fidèlement les biais historiques ; les décisions que personne ne peut expliquer ni contester ; la surveillance de masse rendue bon marché par la reconnaissance faciale ; la désinformation à grande échelle par des contenus synthétiques peu coûteux ; et la confiance mal placée dans des systèmes dont le mode de défaillance est une réponse fausse assurée. Ces cinq risques sont au présent, et ce sont autant des problèmes de gouvernance que de technique. Le cours Éthique et IA responsable les traite.
6. ChatGPT apprend-il de mes conversations ?
Pas pendant la conversation elle-même. Les paramètres du modèle sont gelés à l'inférence : il ne se met pas à jour tandis que vous parlez. Ce qui crée l'impression d'apprentissage est la fenêtre de contexte, qui contient la conversation en cours et permet au modèle de s'y référer. Une fois la conversation terminée, ce contexte disparaît. Les fournisseurs peuvent, par ailleurs, utiliser les conversations pour entraîner de futures versions : c'est une question de vie privée, pas d'apprentissage en direct.
7. Pourquoi l'IA invente-t-elle des faits ?
Parce qu'un modèle de langage est optimisé pour produire du texte vraisemblable, non du texte vrai. Il n'a pas de base interne à consulter et aucune représentation de sa propre incertitude. Quand l'information manque, la continuation la plus vraisemblable est une phrase bien formée, et une phrase bien formée contenant une citation fabriquée est plus vraisemblable qu'un aveu d'ignorance. Les techniques de recherche documentaire réduisent nettement le phénomène en fournissant de vraies sources, sans l'éliminer.
8. Quelle est la différence entre IA et automatisation ?
L'automatisation exécute un processus qu'un humain a spécifié : si ceci arrive, fais cela. Elle est entièrement prévisible et ne s'améliore jamais d'elle-même. L'IA déduit le processus des données, traite des cas que personne n'a énumérés, et renvoie des probabilités plutôt que des certitudes. Une règle qui bloque toute transaction au-dessus de dix mille est de l'automatisation. Un modèle qui note une transaction comme 3 % susceptible d'être frauduleuse d'après sa forme est de l'IA.
9. Combien de temps pour être employable ?
Avec un effort sérieux et régulier, six à douze mois est réaliste pour atteindre un niveau junior : Python, manipulation de données, machine learning classique, deux ou trois projets terminés que vous savez expliquer de bout en bout. Les projets de portfolio pèsent plus lourd que les certificats de cours, parce qu'ils montrent que vous avez affronté de vraies données et pris des décisions.
10. Outils gratuits ou payants ?
Tout ce dont vous avez besoin pour apprendre est gratuit. Python, scikit-learn, PyTorch et TensorFlow sont open source. Google Colab vous prête un GPU dans un navigateur sans frais. Hugging Face héberge des centaines de milliers de modèles pré-entraînés. Rien n'a besoin d'être acheté avant que vous n'entraîniez des modèles assez gros pour justifier la location de matériel.
11. L'IA peut-elle être créative ?
Elle recombine ce qu'elle a vu de façons fréquemment inédites et parfois réellement surprenantes. Que cela soit de la créativité dépend de votre définition. Ce qui lui manque de façon démontrable, c'est l'intention : elle ne décide pas de faire quelque chose, ne sait pas pourquoi une variante est meilleure, et n'a aucun enjeu dans le résultat. C'est un instrument formidable entre les mains de quelqu'un qui en a.
12. Pourquoi les modèles consomment-ils autant d'énergie ?
Entraîner un grand modèle, c'est effectuer un nombre astronomique d'opérations sur des milliers de processeurs pendant des semaines. C'est un coût unique. L'inférence est bon marché par requête mais se produit des milliards de fois, si bien qu'à l'échelle, le total dépasse souvent le coût d'entraînement. Des modèles plus petits et spécialisés, traités dans le catalogue premium, sont fréquemment la réponse sensée : un modèle compact affiné pour une tâche peut égaler un géant sur cette tâche pour une fraction du coût.
13. Quelle différence entre modèles open source et modèles propriétaires ?
Les modèles propriétaires s'utilisent via une API : aucune infrastructure à exploiter, généralement les meilleures performances brutes, et vos données quittent vos murs. Les modèles à poids ouverts peuvent être téléchargés et exécutés sur votre propre matériel : maîtrise complète des données, aucun coût par requête, et la charge d'exploitation vous revient. Le choix se décide en général sur la confidentialité et le volume plutôt que sur les scores de comparatifs.
14. Où aller après ce cours ?
Dans cet ordre : Python pour l'IA pour l'outillage, Mathématiques pour l'IA pour l'intuition, puis Machine Learning pour construire vos premiers vrais modèles. Ensuite, suivez votre intérêt — Deep Learning, NLP, Vision par ordinateur ou LLM.
Ce cours de découverte vous a donné le modèle mental. Le catalogue IA premium vous donne la pratique : notebooks, vrais jeux de données, projets, et un certificat vérifiable après un examen de 40 questions. Inclus dans toutes les formules payantes.
Dernière étape — Passez le quiz et découvrez votre attestation →