Intelligence Artificielle#
Parcours#
L’objectif de ce parcours n’est pas de commencer par un long cours théorique sur l’intelligence artificielle.
Partons rapidement de la pratique afin de comprendre progressivement ce qui différencie un programme classique d’un système qui apprend à partir de données.
La progression s’appuie sur les connaissances déjà acquises en programmation et privilégie les exemples concrets.
1. De quelques variables aux premières données#
Cette première étape part d’un programme classique pour arriver progressivement à des données associées à un résultat attendu.
De quelques variables aux premières données
2. Un premier modèle qui apprend ses poids#
Nous passons d’un seuil calculé à partir des exemples à un modèle qui apprend des poids et un biais afin de réaliser une classification.
Un premier modèle qui apprend ses poids
3. Comprendre la descente de gradient#
Comprendre comment une fonction de perte et un gradient permettent d’orienter progressivement la modification des paramètres d’un modèle.
Repartons d’un problème volontairement simple avec un seul poids afin de comprendre le mécanisme avant de revenir à des modèles plus complexes.
La descente de gradient : apprendre en corrigeant
4. De l’apprentissage à la prédiction#
Appliquer la descente de gradient à notre modèle d’arrosage avec plusieurs paramètres et découvrir les limites d’un simple score.
Nous regardons notamment l’effet de l’échelle des données, la normalisation et le passage entre le score produit par le modèle et une décision exploitable.
De l’apprentissage à la prédiction
5. De la sigmoïde au premier neurone#
Transformer le score de notre modèle en une sortie continue comprise entre 0 et 1, puis assembler entrées, poids, biais, score et fonction d’activation pour construire notre premier neurone artificiel.
De la sigmoïde au premier neurone
6. Plusieurs neurones, pourquoi ?#
Comprendre pourquoi un seul neurone ne suffit pas toujours et construire notre premier petit réseau de neurones.
Plusieurs neurones, pourquoi ?
7. Découvrir le Deep Learning#
Comprendre pourquoi les méthodes de Deep Learning permettent de traiter des problèmes beaucoup plus complexes et comment elles prolongent les principes étudiés précédemment.
8. Vision par ordinateur#
Utiliser l’intelligence artificielle pour travailler avec des images et découvrir les principes de la vision par ordinateur.
L’objectif sera progressivement de faire le lien entre :
caméra → image → modèle → interprétation
9. LLM et intelligence artificielle générative locale#
Découvrir le fonctionnement général des grands modèles de langage et comprendre ce qui est nécessaire pour exécuter des modèles localement.
Nous aborderons notamment les contraintes liées :
- aux ressources matérielles ;
- à la mémoire ;
- aux modèles ;
- à l’inférence locale.
10. Faire fonctionner un modèle sur l’Arduino UNO Q#
Revenir à l’application embarquée et mettre progressivement en pratique les notions étudiées sur l’UNO Q.
L’objectif est de passer de :
programme classique → modèle appris → intelligence embarquée
Technologies utilisées#
Au fil du parcours, nous utiliserons notamment :
- Python ;
- NumPy ;
- scikit-learn ;
- réseaux de neurones ;
- TensorFlow ou PyTorch ;
- outils de vision ;
- modèles de langage ;
- techniques d’optimisation pour l’embarqué.
Le niveau de programmation Python sera volontairement limité à ce qui est nécessaire pour travailler sur l’IA. L’objectif principal reste de comprendre comment passer d’un système programmé explicitement à un système capable d’apprendre à partir de données.
Autre parcours : Agents IA#
Un modèle peut produire une réponse. Un agent va plus loin : il utilise des outils pour observer un environnement et accomplir une action dans un périmètre contrôlé.
Ce parcours parallèle part d’expériences concrètes pour découvrir progressivement l’identité technique, les permissions, l’authentification, les garde-fous, la traçabilité et le rôle de la validation humaine.