Comprendre les deux grandes familles d'IA

Quand on parle d’IA en formation, on parle de quoi ?

On parle principalement de deux choses… L’intelligence artificielle générative et l’intelligence artificielle prédictive. L’IA générative, c’est un peu la vedette du moment, notamment grâce à ChatGPT. C’est une branche de l’IA qui crée du contenu basé sur ce que les utilisateurs lui demandent. En lui fournissant une phrase, une image, ou même un morceau de musique, l’IA générative produit quelque chose de nouveau à partir de ça. Cette IA est assez polyvalente. Elle peut créer des images, composer de la musique, écrire des textes… Elle est aussi capable de résumer des articles, d’expliquer comment faire certaines tâches, ou même de retoucher des photos. Et elle ne se limite pas à un seul type de contenu : elle peut faire des combinaisons de ces éléments. Sans parler pour le moment de qualité, elle peut donc créer des contenus complets de formation : un synopsis pédagogique, un module e-learning, le PPT d’une journée en présentiel ou d’une classe virtuelle.

Comment apprend-elle à faire tout cela ?

Alors, c’est là que ça devient vraiment intéressant. Les modèles génératifs apprennent à partir de données existantes. Ils analysent ces données pour en comprendre les modèles et les structures, puis ils utilisent ces connaissances pour créer de nouvelles données qui leur ressemblent. Elles prennent une création existante, la traduisent en langage mathématique, et s’entraînent à la reproduire ou à créer quelque chose de similaire à partir d’une directive, ce que nous appelons un « prompt ».

Mais, et c’est un point crucial, même si ces IA peuvent créer des choses complètement nouvelles, elles ne comprennent pas le sens de ce qu’elles font. Elles apprennent essentiellement par imitation.

En gros, elles sont très douées pour imiter et créer, mais sans vraiment comprendre ce qu’elles font ?

Exactement. C’est une forme de créativité, mais d’une manière très différente de celle des humains. Cela ouvre des perspectives incroyables, mais cela nous rappelle aussi qu’il y a une grande différence entre imiter la création et comprendre véritablement ce qu’est la création.

Et l’IA prédictive, c’est quoi exactement ?

L’IA prédictive (qu’on appelle aussi discriminative), c’est l’IA la plus utilisée, mais c’est aussi la moins connue. À partir de modèles prédictifs basés sur l’apprentissage automatique, l’IA discriminative se concentre sur la prédiction de résultats à partir de données d’entrée ; d’où son nom puisqu’elle « discrimine pour prédire ». Elle est capable de différencier, de trier et de choisir, pris au sens positif du terme. Elle est fondée sur plusieurs concepts clés : les données, le modèle, l’entraînement, l’évaluation et l’inférence, qui est le processus qui conduit à faire des prédictions.

Comment cela se traduit-il concrètement ?

Prenons un exemple simple. Imaginez que nous voulions développer un programme de formation en entreprise. Nous pourrions utiliser l’IA prédictive pour analyser les performances des employés, la façon dont ils apprennent, et même leurs retours sur les formations précédentes. Ensuite, le modèle d’apprentissage automatique peut prédire quel type de formation serait le plus efficace pour chaque employé ou groupe d’employés par rapport aux objectifs de l’entreprise. Dis comme ça, ça parait très simpliste, mais bien réalisé, ça peut donner des résultats très puissants.

Pouvez-vous nous en dire plus sur les différents modèles d’apprentissage automatique ?

Il y a principalement trois types d’apprentissage automatique : supervisé, non supervisé, et par renforcement. Dans le contexte de la formation professionnelle, l’apprentissage supervisé pourrait être utilisé pour prédire les résultats des employés sur la base de données historiques. L’apprentissage non supervisé pourrait identifier des tendances ou des groupes parmi les employés, aidant à personnaliser les programmes de formation. Et l’apprentissage par renforcement pourrait être utilisé pour optimiser les stratégies de formation en temps réel.

Mais comment gérer les risques de biais dans ces modèles ?

C’est un point crucial. Les biais, comme le stéréotypage ou le biais de confirmation, peuvent se glisser dans les modèles d’IA et fausser leurs prédictions. Dans la formation professionnelle, cela pourrait signifier des recommandations inappropriées pour certains groupes d’employés.

Il est donc essentiel de travailler avec des données diversifiées et de vérifier régulièrement les modèles pour détecter et corriger ces biais.

Afin de bien comprendre, pourrais-tu partager un exemple plus concret d’application de l’IA prédictive en formation professionnelle ?

Oui bien sûr. Imaginons un système d’intelligence artificielle spécialement conçu pour analyser les compétences et les connaissances actuelles d’un groupe d’apprenants. En utilisant des techniques d’apprentissage automatique, notamment l’apprentissage supervisé, ce système pourrait évaluer non seulement où chaque apprenant excelle, mais aussi identifier les domaines spécifiques où il a besoin de renforcement ou d’apprentissage supplémentaire. Ce type d’analyse pourrait prendre en compte diverses sources de données, comme les résultats des tests précédents, les retours des formateurs, et même les interactions des apprenants avec des objets pédagogiques particuliers. Ensuite, sur la base de cette analyse approfondie, l’IA pourrait générer des recommandations personnalisées pour chaque apprenant. Elle pourrait suggérer des modules de formation spécifiques, des ressources d’apprentissage ou même des styles d’enseignement (pris au sens large, il me semble que c’est un terme controversé) qui conviennent le mieux à leurs besoins individuels.

L’avantage de cette approche est double. D’une part, elle rend l’expérience d’apprentissage beaucoup plus ciblée et efficace. Chaque apprenant reçoit une formation qui est directement pertinente pour ses lacunes et ses domaines d’intérêt, ce qui maximise le temps et les ressources investis dans la formation. D’autre part, cela peut être extrêmement motivant pour les apprenants. Je crois beaucoup qu’en voyant des progrès concrets dans les domaines où ils ont initialement lutté, les apprenants peuvent gagner en confiance et en compétence.

Ils voient que leur parcours d’apprentissage est adapté à leurs besoins uniques, ce qui peut renforcer leur engagement et leur intérêt pour le matériel d’apprentissage.

Merci beaucoup pour cet éclairage introductif Frédéric. Comme on le verra, il y a aujourd’hui de nombreuses applications qui vont dans le sens de ton propos et qui permettent d’innover dans la façon de former et d’apprendre en entreprise…

Avec plaisir !

Entrepreneur et ingénieur de recherche spécialisé en IA, Frédéric a plus de 20 ans d’expérience dans la transformation numérique au sein de grandes entreprises et de start-ups. Diplômé de l’École Polytechnique en tant qu’ingénieur et titulaire d’un doctorat en Mathématiques délivré par l’École Normale Supérieure, il a consacré dix ans de sa carrière au secteur des services informatiques et de la formation.
Au cours de cette période, il a dirigé des projets stratégiques et internationaux pour des grandes entreprises. Frédéric est notamment l’un des fondateurs de NUMA et il a supervisé des programmes internationaux d’innovation ouverte axés sur la « data », tels que « DataCity » (solutions d’IA pour la ville intelligente), « Digital Industry » (solutions d’IA pour l’industrie) et « AI Hub » (accélérateur de start-ups en intelligence artificielle à Bangalore, en Inde).