Section 11.4.1 : Fondations IA — ML, Deep Learning, IA Générative
🎯 Objectif pédagogique
Comprendre les fondations de l'intelligence artificielle : Machine Learning, Deep Learning et IA Générative. Vous serez capable de distinguer ces concepts, d'expliquer leurs applications, et de positionner chaque technologie dans l'écosystème IA.
De l'automatisation à l'intelligence
La Semaine 3 a donné à Marc des outils pour automatiser. La Semaine 4 lui donne l'intelligence : comprendre et utiliser l'IA pour créer des applications qui réfléchissent, analysent et génèrent.
Machine Learning — Apprendre à partir de données
Au lieu de programmer des RÈGLES :
if email contains "gratuit" AND email contains "gagner" → spam
if email contains "rdv" AND email from contacts → pas spam
Le ML apprend des EXEMPLES :
[1000 emails spam] + [1000 emails légitimes]
→ Le modèle découvre les patterns lui-même
→ Il classe les futurs emails automatiquement
Les 3 types de Machine Learning
1. Supervised Learning (apprentissage supervisé)
- Données d'entraînement : input + label correct
- Exemples : Classification email (spam/pas spam),
prédiction de prix immobilier, détection de fraude
- Algorithmes : Régression logistique, Random Forest, SVM, XGBoost
2. Unsupervised Learning (apprentissage non supervisé)
- Données sans labels — le modèle trouve des patterns
- Exemples : Segmentation clients, détection d'anomalies,
réduction de dimensionnalité
- Algorithmes : K-Means, DBSCAN, PCA, Autoencoders
3. Reinforcement Learning (apprentissage par renforcement)
- Un agent apprend par essai/erreur + récompenses
- Exemples : AlphaGo, robotique, trading algorithmique,
RLHF pour les LLMs
- Algorithmes : Q-Learning, PPO, A3C
Deep Learning — La révolution des réseaux de neurones
Neurone biologique (simplifié) :
Inputs (dendrites) → Traitement (soma) → Output (axone)
Neurone artificiel :
x1 * w1 + x2 * w2 + ... + bias → activation function → output
Réseau de neurones :
Layer 1 Layer 2 Layer 3 Output
[o o o] → [o o o o] → [o o o] → [résultat]
(input) (hidden) (hidden) (prediction)
"Deep" Learning = beaucoup de hidden layers (dizaines/centaines)
Architectures clés
| Architecture | Spécialité | Exemples |
|---|---|---|
| CNN (Convolutional Neural Network) | Images, vidéos | Reconnaissance faciale, voitures autonomes |
| RNN/LSTM (Recurrent Neural Network) | Séquences temporelles | Prédiction de séries, traduction (avant 2017) |
| Transformer (2017) | Texte, puis tout | GPT, BERT, Claude, DALL-E, Whisper |
| GAN (Generative Adversarial Network) | Génération d'images | StyleGAN, deepfakes |
| Diffusion Models | Génération d'images | Stable Diffusion, DALL-E 3, Midjourney |
IA Générative — Créer du nouveau contenu
L'IA traditionnelle : Analyse → Classification/Prédiction
"Cet email est-il du spam ?" → Oui/Non
L'IA Générative : Input → Nouveau contenu
"Écris un email professionnel de relance" → Email complet
"Génère une image de chat en costume" → Image créée
"Compose une musique jazz" → Morceau musical
Modèles génératifs majeurs (2025) :
- Texte : GPT-4o, Claude 3.5, Gemini, Llama 3, Mistral
- Images : DALL-E 3, Midjourney v6, Stable Diffusion 3
- Audio : Whisper, MusicLM, Suno
- Vidéo : Sora, Runway Gen-3
- Code : Copilot, Cursor, CodeLlama
La timeline de l'IA
Ce que Marc doit retenir
Vous n'avez pas besoin de comprendre les mathématiques du Deep Learning pour utiliser l'IA. C'est comme conduire une voiture : vous n'avez pas besoin de comprendre la thermodynamique du moteur. Mais comprendre les concepts (supervised vs unsupervised, CNN vs Transformer) vous permet de choisir le bon outil et de communiquer avec les data scientists.
🏋️ Exercice pratique (20 minutes)
- →Pour chacun de ces problèmes, identifiez le type de ML approprié :
- →Prédire le salaire d'un data analyst → ?
- →Regrouper les offres d'emploi similaires → ?
- →Entraîner un chatbot à mieux répondre → ?
- →Trouvez 3 applications de l'IA générative dans votre domaine professionnel
- →Expliquez la différence entre IA, ML et Deep Learning à un non-technicien
Quelle est la différence fondamentale entre l'IA traditionnelle et l'IA générative ?
Pourquoi l'architecture Transformer (2017) a-t-elle révolutionné l'IA ?
Pour classifier automatiquement les candidatures de Marc (match/pas match), quel type de ML utiliserait-on ?