Moteur de recherche
- Jean-Michel Richer Université d'Angers
- JMR70
Site Web
L'IA sans Mystères
Jean-Michel Richer
EC Informatique - LERIA - Université d'Angers
Lundi 26 Janvier 2026
ESAIP, Saint-Bathélemy d'Anjou
Retrouver la conférence
La révolution IA
- depuis Novembre 2022 (arrivée de ChatGPT), l'IA est passée du laboratoire à notre vie quotidienne
- révolution comme la micro-informatique à son époque ou internet
- changement de paradigme
- jusqu'à présent nous nous abaissions au niveau de l'ordinateur (assembleur, C++, PHP, etc)
- maintenant nous pouvons lui parler en langage naturel et il nous «comprend»
- il se montre aussi intelligent que nous
Exemple lié au Langage
Peux tu me générer une poèsie à la manière de Charles Beaudelaire qui compare la femme et l'orang outan ?
Sous les voûtes des bois où s’égare la brume,
L’orang-outan rêve, en sa torpeur posthume,
D’une étreinte sauvage, d’un souffle enivrant,
Pareille à la Femme aux regards pénétrants.
Toutes deux ont au corps une force obscure,
Un parfum de fauve, une grâce impure,
Elles charment, elles mordent, elles font
chanceler,
Et l’homme, enchaîné, ne sait plus s’en aller.
La Femme est la jungle, aux abîmes splendides,
Où gisent des périls, des douceurs intrépides ;
L’orang-outan, frère au rire simiesque,
Est l’écho déformé de sa beauté funeste.
Ô mystère profond des formes animales !
La Femme et la Bête ont des flammes égales :
Toutes deux éveillent au fond du cœur humain
L’effroi du vertige et l’ivresse du destin.
Exemple Téléphone 1/2
Donne moi un tableau comparatif des derniers téléphones portables et indique lequel selon toi serait le meilleur en terme de rapport qualité prix.
Absolument. Voici un tableau comparatif des derniers téléphones portables haut de gamme
sortis en 2025, basé sur les informations disponibles, suivi de ma recommandation pour le meilleur rapport qualité-prix. (tableau)
🏆 Le meilleur rapport qualité-prix (Novembre 2025)
Si les modèles ci-dessus représentent le meilleur de la technologie, ils sont loin d'offrir le meilleur rapport qualité-prix.
Selon mon analyse des résultats de recherche, le meilleur choix actuel en termes de rapport qualité-prix
est le Samsung Galaxy A36 5G.
Exemple Téléphone 2/2
Pourquoi le Samsung Galaxy A36 ? ...
Exemple Collège
donne moi une fiche de lecture de ce livre
résoudre l'exercice de mathématiques suivant (à partir d'une photo)
Exemples UA
Webinaire UA - Décembre 2025
- retouche photo
- génération de rapport annuel (SSU)
- résumé d'articles médicaux (SSU)
- génération document élections étudiantes
La révolution IA
cela remet en cause
- notre rapport à la connaissance, à l'intelligence, à l'effort
- la manière d'apprendre, d'enseigner
- notre modèle économique
- voire même notre existence
Soulève beaucoup de questions (philosophiques, éthiques, morales, environnementales, ...)
Mais comment ça marche ?
Finalement comment ça marche ?
- les IA génératives «comprennent» et répondent à nos demandes complexes
- mais commettent des erreurs parfois stupides
- ces IA sont exécutées par des ordinateurs qui n'ont pas de volonté, pas de sentiments, pas de conscience, pas de connaissance de leur environnement
Plan
- Qu'est ce qu'un ordinateur ?
- Qu'est ce que l'IA ?
- LLM
- Résolution de problèmes
- Apprentissage
- Conclusion
1. Qu'est-ce qu'un ordinateur ?
Comment ça marche ?
un outil mécanique / électrique / électronique
calculatrice, micro-ordinateur, supercalculateur
Un appareil rudimentaire
En quelque sorte un orgue de Barbarie
- n'est pas vivant
- ne possède pas de conscience propre ou de son environnement
- ne possède pas de volonté, pas de sentiments
- ne possède pas d'intelligence
- il exécute les instructions données par un humain
- pas de magie : tout est le résultat de calculs
2. Qu'est ce que l'IA ?
Naissance de l'IA
les thinking machines
1956 Université d'été aux USA au Dartmouth College (New Hampshire)
Marvin Minsky, John McCarthy, Claude Shannon, Nathaniel Rochester, John Henry Holland, ...(lien Wikipedia)
Choix du terme IA
L'IA Définition Simple
Définition de 1968
Science qui consiste à faire faire à des machines des choses qui exigeraient de l'intelligence si elles étaient faites par des hommes
Marvin Minsky (1927 - 2016)
3. LLM et Langage
Définition LLM
à la base des IA génératives il y a les LLM
Grand Modèle de Langage
- un programme capable de comprendre, de traiter et de générer du langage humain
- basé sur la prédiction du mot suivant le plus probable dans une phrase
- des millions de texte (roman, chat, articles scientifiques, ...)
- apprentissage avec un réseau de neurones
Réseau de neurones
c'est quoi un réseau de neurones (RN) ?
Réseau de neurones
Simulation du cerveau humain quand
on ne sait pas écrire un algorithme
- une grosse fonction de calcul avec $e$ entrées et $s$ sorties
- apprentissage supervisé : à partir d'exemples $\{ (e_i, s_i) \}$ apprend à prédire (calculer) $s_i$ à partir de $e_i$
- exemple : SPAM
- exemple : images $\rightarrow$ (chien, chat, dauphin, ...)
- entrées : pixels de l'image
- sortie : catégorie / animal
Réseau de neurones
pour tout $(e_i, s_i)$, on cherche $F$ telle que $s_i = F(e_i) + \epsilon$
pour lequel $\epsilon$ doit être la plus petite possible
un neurone artificiel
neurone artificiel = une sorte d'interrupteur
apprentissage d'un RN
on parle « d'apprentissage » car on cherche à
minimiser l'erreur $\epsilon$ résultant du calcul
$s_i = F(e_i) + \epsilon$
ce processus peut être très long pour les LLM car il consiste à :
- propagation : faire le calcul $s_i = F(e_i)$ des milliers de fois
- back-propagation : corriger le réseau avec l'erreur $\epsilon$
apprentissage d'un RN
étant donné que $\epsilon$ n'est pas nulle
il y aura toujours des erreurs (hallucinations)
par exemple image de grizzly $\rightarrow$ gorille
LLM et Traitement du langage
Comment les LLM comprennent-ils ?
- word embedding : découpage des mots
- pré-training auto-supervisé : auto complete
- fine-tuning supervisé : éduquer le modèle
- fine-tuning par les préférences : alignement
- fine-tuning par le raisonnement : qualité de la réponse
- Attention, RAG, Multimodal, ...
1. Pré-training auto supervisé
apprentissage de la structure du langage
- prédire le mot suivant d'un texte $\rightarrow$ auto-complete
- modèle de fondation : 2018 GPT1, 2019 GPT2, 2020 GPT3
- exemple : Deepseek 15000 milliards de mots
- pas d'esprit critique :
Gaston Lagaffe a découvert l'amérique à bord de la Santa Maria $\rightarrow$ en 1492
1. Pré-training auto supervisé
néanmoins l'ajout d'un pré-prompt permet de donner du sens à la conversation
Ceci est une conversation entre un élève et un professeur qui est là pour l'aider.
Elève : Je cherche à mieux comprendre le concept d'héritage en C++.
Professeur : $\rightarrow$ génération de la réponse
2. Fine-tuning supervisé
consiste à éduquer le modèle
- modèles instruct
- travailler la nature de l'interaction d'une conversation, la nature des réponses, tours de parole à partir d'exemples
- ne règle pas le problème de l'alignement
2. Fine-tuning supervisé
Exemple : exécution d'une tâche directe
Utilisateur : "Résume en trois points clés l'importance des abeilles pour l'écosystème."
Assistant : 1. Pollinisation : Elles permettent la reproduction de 80 % des plantes à fleurs et de nombreuses cultures alimentaires. 2. Biodiversité : ...
2. Fine-tuning supervisé
Exemple multi-tours : conservation du contexte
Utilisateur : "Qui a écrit 'Les Misérables' ?"
Assistant : C'est Victor Hugo qui a écrit ce chef-d'œuvre de la littérature française, publié en 1862.
Utilisateur : "Donne-moi ses trois autres romans les plus connus." (Note : Le modèle comprend que "ses" se rapporte à Victor Hugo).
Bien sûr ! Voici trois autres œuvres majeures de Victor Hugo : Notre-Dame de Paris (1831)...
3. Fine-tuning par les préférences
feedback sur les réponses produites
- production de plusieurs réponses
- DPO (Direct Preference Optimization) : calcul de la probabilités pour les réponses (distribution de probabilités sur les mots)
- amélioration du modèle en fonction de la probabilité choisie
3. Fine-tuning par les préférences
Variante avec modèle de récompense
- entraînement d'un réseau de neurone à partir d'un classement des réponses (modèle de récompense)
- amélioration automatique du modèle de langage en fonction du modèle de récompense
4. Fine-tuning par le raisonnement
un raisonnement apporte plus d'exactitude
- actuellement les LLM passent par plusieurs étapes de raisonnement
- plus il y a de raisonnement meilleure est la réponse
- un peu comme les humains
- chain of thoughts
Chain of Thoughts (CoT)
constat : pour un humain, résoudre une équation complexe de tête est difficile, mais si on écrit chaque étape sur un papier, on réussit beaucoup mieux
Problème
Sarah a 5 pommes. Elle en donne 2 à son voisin. Elle achète ensuite 2 paquets de 3 pommes. Combien de pommes a-t-elle ?
Chain of Thoughts (CoT)
sans CoT, le modèle peut se tromper
Sarah a 8 pommes
avec CoT
- au départ, Sarah a 5 pommes
- elle en donne 2, donc il lui en reste 3 (5 - 2 = 3)
- elle achète 2 paquets de 3, ce qui fait 6 nouvelles pommes (2 x 3 = 6)
- elle en a maintenant 3 + 6 = 9
Chain of Thoughts (CoT)
la «phrase magique» : Zero-Shot CoT
les chercheurs ont découvert en 2022 qu'il n'est même pas nécessaire de donner des exemples au modèle. Il suffit d'ajouter une simple phrase à la fin de sa question pour activer ce mode de pensée
réfléchissons étape par étape" (let's think step by step)
Mécanisme d'attention
L'Attention : permet au modèle de pondérer l'importance de chaque mot par rapport aux autres
Le lion mange le zèbre, il est rassasié
il ? qui est rassasié ?
- pour un humain c'est évient
- pour une machine : elle ne sait pas
Retrieval-Augmented Generation
- LLM limité par la date de don entraînement
- absence de données privées
utilisation de sources de données externes spécialisées
- retrieval : recherche dans la bibliothèque
- augmented : ajout des données pertinentes
- generation : rédaction de la réponse
Multimodal
MLLM - Multimodal Large Language Model
capacité à prendre en compte différentes sources de données
- texte
- image
- vidéo
- code source, tableur, pdf
Multimodal
Exemples
- photo du contenu du frigo : que puis-je cuisiner ?
- graphique financier : résume-moi la tendance principale
- vidéo YouTube : à quel moment exact parle-t-on d'IA ?"
4. Résolution de problèmes
Chemin hamiltonien
trouver un chemin passant par tous les points d'un graphe complet une seule fois, de longueur minimale
Applications
applications
- livraisons de colis
- ramassage des déchets
- maintenance d'infastructures (plusieurs sites)
- soudures de véhicules
- assemblage de fragments d'ADN
Résolution du Chemin hamiltonien
Problème d'optimisation de complexité en $O(n!)$ si $n$ villes
- force brute : $O(n!)$
- si $n = 20$ alors $n! \simeq 2,4 × 10^{18}$ chemins
- soit environ $77$ ans si on génère un chemin toutes les $1$ ns
Utilisation d'Heuristique
la force brute n'est pas toujours adaptée
$117! \simeq 4 × 10^{192}$ soit $1,25 × 10^{176}$ ans
on utilise des heuristiques (du grec ancien εὑρίσκω, heuriskô, «je trouve») qui sont des astuces
Heuristique
choisir la ville la plus proche : aller de proche en proche
mais ne donne pas forcément le meilleur chemin !
Autre exemple
5. Apprentissage
Apprentissage
une branche de l'IA qui utilise des approches mathématiques et statistiques pour exhiber des modèles / relations à partir de données.
Ces modèles peuvent ensuite être utilisés pour faire des prédictions et aider à prendre des décisions (avec ou sans intervention humaine)
- Apprentissage supervisé
- Apprentissage non supervisé
- Apprentissage semi-supervisé
- Apprentissage par renforcement
Vocabulaire
la data : exploiter des données
| Français | Anglais |
| fouille de données | data-mining |
| apprentissage (machine, automatique, artificiel) | machine learning |
| apprentissage profond | deep-learning |
| mégadonnées ou données massives | big data |
Applications
- analyse de données médicales, biologiques, boursières, sportives, ...
- classification d'images, de sons, de textes : spam, cybersécurité (logs)
- extraction de connaissances à partir de données (supermarchés, vente en ligne, ...)
- recommandation de produits, de contenus (Netflix, Amazon, ...)
- ...
Méthodes
Apprentissage
Exemple des Iris de Fisher
- données : longueur et largeur des sépales et pétales pour trois espèces (setosa, versicolor, virginica)
- comment reconnaître / identifier une espèce ?
Données des Iris
"sepal.length","sepal.width","petal.length","petal.width","variety"
5.1, 3.5, 1.4,. 2, "Setosa"
4.9, 3.0, 1.4, .2, "Setosa"
...longueur et largeur des sépales
IRIS - Pair plot
IRIS - Longueur et largeur des pétales
IRIS - Réseau de neurones
I0000 00:00 StreamExecutor device (0): NVIDIA GeForce RTX 3050, Compute Capability 8.6
I0000 00:00 65852 cuda_dnn.cc:529] Loaded cuDNN version 90701
Temps d'exécution : 10.46 secondes pour 350 epochs
5/5 ━━━━━━━━━━━━━━━━━━━━ 1s 52ms/step
Accuracy NN: 0.99
Confusion Matrix NN:
s v v
e s i
t c r
set [[50 0 0]
vsc [ 0 49 1] ← mauvaise prédiction
vir [ 0 0 50]]
Classification Report NN:
precision recall f1-score support
setosa 1.00 1.00 1.00 50
versicolor 1.00 0.98 0.99 50
virginica 0.98 1.00 0.99 50
accuracy 0.99 150
macro avg 0.99 0.99 0.99 150
weighted avg 0.99 0.99 0.99 150
IRIS - Réseau de neurones
IRIS - Réseau de neurones
6. Conclusion
Conclusion
L'IA = pas de magie, des calculs, simulation de la pensée
- pas de compréhension : dans les LLM les mots ne sont pas compris
- l'ordinateur «a appris» à mettre les mots dans le bon ordre
- ou a appliquer des schémas conversationnels
Conclusion
Cependant, L'IA commet des erreurs
- hallucinations, biais
- garder toujours un esprit critique quant au résultat produit par une IA
- bien rédiger un prompt permet d'obtenir la «bonne» réponse (détails)
- ne pas se reposer uniquement sur l'IA
Bonne et mauvaise IA
Google AI Studio : mauvaise IA (Terminator) vs bonne IA (Z-6PO/C-3PO)
Notre manière d'utiliser l'IA influencera notre avenir
Réflexion
L'IA ne pense pas, elle calcule. Mais elle calcule si bien qu'elle finit par produire les mêmes résultats qu'un être qui pense
Merci pour votre attention
Questions ?
Futurama
Portes Ouvertes UA - Samedi 7 Février 2026