Intelligence Artificielle, projet et insertion

# Intelligence Artificielle, projet et insertion ## Introduction L’intelligence artificielle (IA) transforme les méthodes d’apprentissage, les pratiques professionnelles et les enjeux sociétaux. Au niveau Terminale, il convient de maîtriser les principes fondamentaux des modèles d’apprentissage automatique, de saisir les opportunités offertes par l’IA générative, de connaître le cadre éthique, réglementaire et de sécurité qui encadre son usage, et enfin de mettre en pratique ces connaissances à travers un projet de synthèse intégrant une solution IA. Ce chapitre suit précisément les quatre leçons du programme officiel MINESEC/IGE, organisées en trois parties pour faciliter la progression pédagogique. ## I. Principes des modèles d’apprentissage automatique ### Définitions clés > **Apprentissage supervisé** : tâche où l’algorithme apprend à partir d’exemples étiquetés $(x^{(i)},y^{(i)})$ afin de prédire la sortie $y$ associée à une nouvelle entrée $x$. > **Apprentissage non supervisé** : tâche où l’algorithme découvre des structures cachées dans des données non étiquetées, par exemple le regroupement (clustering) ou la réduction de dimension. > **Apprentissage par renforcement** : agent qui interagit avec un environnement, reçoit des récompenses $r_t$ et apprend une politique $\pi$ maximisant la récompense attendue cumulée. > **Hypothèse** : fonction $h_\theta$ paramétrée par $\theta$ qui approximant la relation souhaitée entre entrée et sortie. > **Fonction de coût (loss)** : mesure $J(\theta)$ de l’écart entre les prédictions $h_\theta(x^{(i)})$ et les valeurs réelles $y^{(i)}$ ; on cherche $\theta^*=\arg\min_\theta J(\theta)$. > **Descente de gradient** : mise à jour itérative $\theta \leftarrow \theta - \alpha \nabla_\theta J(\theta)$ avec taux d’apprentissage $\alpha>0$. > **Biais‑variance** : décomposition de l’erreur de généralisation en biais (erreur due à des hypothèses trop simples) et variance (erreur due à une sensibilité excessive aux fluctuations de l’échantillon). > **Validation croisée** : technique consistant à partitionner le jeu de données en $k$ plis, à entraîner sur $k-1$ plis et à tester sur le pli restant, répétée $k$ fois pour obtenir une estimation robuste de la performance. ### Exemple complet : régression linéaire simple Considérons le jeu de données suivant (taille en m², prix en FCFA) : | $x$ (m²) | $y$ (FCFA) | |----------|-----------| | 50 | 15000 | | 60 | 18000 | | 70 | 21000 | | 80 | 24000 | | 90 | 27000 | Nous cherchons $y = \theta_0 + \theta_1 x$. La fonction de coût quadratique est $$ J(\theta_0,\theta_1)=\frac{1}{2m}\sum_{i=1}^{m}\bigl(\theta_0+\theta_1 x^{(i)}-y^{(i)}\bigr)^2, \qquad m=5. $$ En posant les dérivées partielles à zéro, on obtient les équations normales $$ \begin{cases} \displaystyle \frac{\partial J}{\partial \theta_0}= \frac{1}{m}\sum_{i=1}^{m}\bigl(\theta_0+\theta_1 x^{(i)}-y^{(i)}\bigr)=0\\[6pt] \displaystyle \frac{\partial J}{\partial \theta_1}= \frac{1}{m}\sum_{i=1}^{m}x^{(i)}\bigl(\theta_0+\theta_1 x^{(i)}-y^{(i)}\bigr)=0 \end{cases} $$ En calculant les sommes : $\sum x^{(i)} = 350$, $\sum y^{(i)} = 105000$, $\sum (x^{(i)})^2 = 25500$, $\sum x^{(i)}y^{(i)} = 7650000$. Le système devient $$ \begin{cases} 5\theta_0 + 350\theta_1 = 105000\\ 350\theta_0 + 25500\theta_1 = 7650000 \end{cases} $$ En résolvant (méthode de substitution) : À partir de la première équation, $\theta_0 = \dfrac{105000 - 350\theta_1}{5} = 21000 - 70\theta_1$. En substituant dans la seconde : $350(21000 - 70\theta_1) + 25500\theta_1 = 7650000$ $\Rightarrow 7350000 - 24500\theta_1 + 25500\theta_1 = 7650000$ $\Rightarrow 1000\theta_1 = 300000$ $\Rightarrow \theta_1 = 300$. Alors $\theta_0 = 21000 - 70\times300 = 0$. Ainsi la solution analytique donne $\theta_0=0$, $\theta_1=300$, soit la relation $y = 300x$, conforme aux données. **Descente de gradient** (taux $\alpha =0,01$) : Initialisation $\theta_0^{(0)}=0$, $\theta_1^{(0)}=0$. À chaque itération $t$ : $$ \theta_0^{(t+1)} = \theta_0^{(t)} - \alpha \frac{1}{m}\sum_{i=1}^{m}\bigl(\theta_0^{(t)}+\theta_1^{(t)}x^{(i)}-y^{(i)}\bigr) $$ $$ \theta_1^{(t+1)} = \theta_1^{(t)} - \alpha \frac{1}{m}\sum_{i=1}^{m}x^{(i)}\bigl(\theta_0^{(t)}+\theta_1^{(t)}x^{(i)}-y^{(i)}\bigr) $$ Après 1000 itérations, on obtient approximativement $\theta_0\approx 0$, $\theta_1\approx 300$, ce qui confirme la relation $y=300x$. Cet exemple montre comment, même avec un petit jeu de données, l’algorithme ajuste progressivement les paramètres pour minimiser l’erreur quadratique. ### Tableau récapitulatif des familles d’apprentissage | Type d’apprentissage | Objectif principal | Exemple d’algorithme | |----------------------|--------------------|----------------------| | Supervisé | Prédire une sortie connue à partir d’entrées étiquetées | Régression linéaire, SVM, réseaux de neurones profonds | | Non supervisé | Découvrir des structures cachées dans des données non étiquetées | K‑means, PCA, autoencodeurs | | Renforcement | Apprendre une politique d’action maximisant une récompense cumulative | Q‑learning, policy gradients, Deep Q‑Network | > **Règle fondamentale** : dans tout modèle d’apprentissage automatique, la généralisation dépend de l’équilibre entre la capacité du modèle à représenter les données (biais) et sa sensibilité au bruit (variance). Une validation croisée rigoureuse permet d’estimer cette généralisation avant le déploiement. ## II. IA générative — opportunités pour les études supérieures et le monde professionnel ; Cadre éthique, réglementaire et sécurité de l’IA ### IA générative : principes et modèles > **IA générative** : branche de l’IA qui apprend la distribution de probabilité $p_{\text{data}}(x)$ des données réelles afin de produire de nouveaux échantillons $x'$ similaires, typiquement via des modèles tels que les réseaux antagonistes génératifs (GAN), les autoencodeurs variationnels (VAE) ou les transformeurs pré‑entraînés (GPT, T5). Les modèles les plus répandus en 2024 sont : - **GPT‑4** (OpenAI) : modèle de langage autorégressif basé sur l’architecture Transformer, capable de générer du texte cohérent à partir d’un prompt. - **DALL‑E 2** (OpenAI) : modèle de génération d’images à partir de descriptions textuelles, utilisant une combinaison de CLIP et d’un diffuseur. - **Stable Diffusion** (Stability AI) : modèle de diffusion ouvert qui synthétise des images haute résolution à partir de prompts textuels. - **Whisper** (OpenAI) : modèle de reconnaissance et de génération vocale. ### Opportunités pour les études supérieures - **Recherche accélérée** : génération d’hypothèses, rédaction de revues de littérature, simulation d’expériences virtuelles. - **Tutorat personnalisé** : création de chatbots adaptatifs qui répondent aux questions des étudiants en temps réel, en s’appuyant sur des bases de connaissances cours spécifiques. - **Évaluation automatique** : génération de feedbacks sur des rédactions, des problèmes de programmation ou des schémas conceptuels, réduisant la charge de travail des enseignants. - **Création de ressources pédagogiques** : production d’illustrations, de vidéos explicatives ou de quiz interactifs à partir de simples descriptions. ### Opportunités pour le monde professionnel - **Création de contenu** : rédaction d’articles, de scripts vidéo, de posts réseaux sociaux à grande échelle. - **Design et prototypage** : génération de maquettes d’interfaces, de modèles 3D ou de motifs textiles à partir de briefs. - **Santé** : génération de structures moléculaires potentielles pour la découverte de médicaments (ex. modèles de génération de SMILES). - **Automatisation de processus** : synthèse de rapports d’activité, de contrats types ou de réponses aux demandes clients. ### Cadre éthique, réglementaire et sécurité de l’IA #### Principes éthiques (UNESCO, novembre 2021) > **Transparence** : les systèmes d’IA doivent être explicables ; les utilisateurs doivent comprendre comment une décision est prise. > **Équité et non‑discrimination** : les algorithmes doivent éviter de reproduire ou d’amplifier des biais présents dans les données d’apprentissage. > **Responsabilité** : les concepteurs et les exploitants sont tenus responsables des impacts de leurs systèmes. > **Protection de la vie privée** : les données personnelles doivent être traitées conformément au principe de minimisation et au consentement éclairé. > **Sûreté et sécurité** : les systèmes doivent être robustes face aux manipulations adversariales et aux défaillances internes. #### Réglementation internationale et régionale - **Recommandation UNESCO sur l’éthique de l’intelligence artificielle** (2021) : cadre non contraignant qui guide les États membres dans l’élaboration de politiques nationales. - **Projet de règlement européen sur l’intelligence artificielle (AI Act)** : adopté définitivement en juin 2024, il classe les systèmes IA selon quatre niveaux de risque (inacceptable, élevé, limité, minimal) et impose des exigences de conformité (gestion des risques, documentation, surveillance post‑mise sur le marché). - **Règlement général sur la protection des données (RGPD, UE 2016/679)** : s’applique au traitement des données personnelles utilisées pour entraîner les modèles IA ; prévoit le droit à l’explication et la possibilité de s’opposer au profilage automatisé. - **Stratégie africaine pour l’intelligence artificielle (UA, 2022)** : encourage les États à élaborer des cadres juridiques adaptés, à promouvoir l’accès équitable aux ressources de calcul et à renforcer les capacités locales en recherche IA. #### Sécurité de l’IA > **Attaques adversariales** : perturbations subtiles $\delta$ telles que $x' = x + \delta$ induisent une mauvaise classification malgré $\|\delta\|_p$ petit. > **Empoisonnement de données** : injection intentionnelle d’exemples erronés dans le jeu d’entraînement pour biaiser le modèle. > **Vol de modèle** : extraction approximative des paramètres d’un modèle propriétaire via des requêtes répétées (attaque d’extraction). Contre‑mesures usuelles : entraînement avec adversarial training, détection d’anomalies dans les données d’entrée, watermarking des modèles, limitation du taux de requêtes (rate limiting). > **Règle fondamentale** : tout déploiement d’une solution IA doit être précédé d’une analyse d’impact éthique (AI‑EIA) qui identifie les risques potentiels, définit des mesures d’atténuation et prévoit un suivi continu. ### Exemple concret : génération d’un résumé de cours avec GPT‑4 Supposons que l’on souhaite obtenir un résumé de 150 mots du chapitre sur la régression linéaire. Le prompt pourrait être : ``` Résume en 150 mots maximum le principe de la régression linéaire, en expliquant la fonction de coût quadratique et la descente de gradient, en français soutenu. ``` Le modèle renvoie un texte tel que : > La régression linéaire consiste à approximer la relation entre une variable explicative $x$ et une variable cible $y$ par une fonction affine $y = \theta_0 + \theta_1 x$. Pour trouver les paramètres optimaux $\theta_0,\theta_1$, on minimise la fonction de coût quadratique $J(\theta_0,\theta_1)=\frac{1}{2m}\sum_{i=1}^m(\theta_0+\theta_1x^{(i)}-y^{(i)})^2$, qui mesure l’écart moyen carré entre les prédictions et les observations réelles. Comme cette fonction est convexe par rapport à $\theta$, on peut résoudre le problème analytiquement via les équations normales ou, de façon plus générale, appliquer la descente de gradient : on met à jour itérativement les paramètres selon $\theta_j \leftarrow \theta_j - \alpha \frac{\partial J}{\partial \theta_j}$, où $\alpha$ est le taux d’apprentissage. Après suffisamment d’itérations, l’algorithme converge vers le minimum global, fournissant ainsi le meilleur ajustement linéaire aux données. Cette approche constitue la base de nombreux modèles plus complexes, tels que les réseaux de neurones à une couche ou les modèles de régression régularisée. Cet exemple montre comment l’IA générative peut produire immédiatement un contenu pédagogique de qualité, tout en nécessitant une vérification humaine pour garantir l’exactitude scientifique. ## III. Projet de synthèse — concevoir une solution intégrant l’IA ### Étapes d’un projet IA (du cahier des charges à la mise en production) > **1. Définition du problème** : formuler clairement le besoin (ex. détecter automatiquement les maladies des feuilles de manioc à partir d’images). > **2. Collecte et préparation des données** : acquérir un jeu d’images étiquetées, le nettoyer, le répartir en ensembles d’entraînement, de validation et de test (typiquement 70/15/15). > **3. Choix du modèle** : sélectionner une architecture adaptée (ex. réseau de neurones convolutifs – CNN tel que MobileNetV2 pour un dispositif embarqué). > **4. Entraînement** : optimiser les poids avec une fonction de perte adaptée (entropy croisée catégorielle) et un optimiseur (Adam). > **5. Évaluation** : calculer les métriques de performance (accuracy, précision, rappel, F1‑score) sur l’ensemble de test ; analyser la matrice de confusion. > **6. Vérification éthique et réglementaire** : s’assurer que le jeu de données respecte la vie privée, qu’il n’existe pas de biais géographique ou culturel, et que le modèle est conforme au risque limité de l’AI Act. > **7. Déploiement** : exporter le modèle au format adapté (TensorFlow Lite, ONNX) et l’intégrer dans une application mobile ou web. > **8. Surveillance et maintenance** : monitorer la dérive de données (data drift), mettre à jour le modèle périodiquement avec de nouvelles images. ### Exemple de projet complet : application de détection de maladies du manioc #### 1. Cahier des charges - Objectif : fournir à un agriculteur un diagnostic instantané de la santé de ses plants de manioc en prenant une photo avec son smartphone. - Contraintes : fonctionnement hors ligne, temps de réponse < 2 s sur un appareil moyen (CPU ARM Cortex‑A53), précision globale ≥ 85 %. #### 2. Jeu de données - Source : plateforme ouverte *Cassava Disease Dataset* (4 500 images, 5 classes : saine, maladie du mosaïque, maladie du brunissement, maladie de la tache bactérienne, maladie du feuillage jaune). - Pré‑traitement : redimensionnement à 224×224 px, normalisation des pixels à $[0,1]$, augmentation aléatoire (rotation ±15°, flip horizontal, changement de luminosité ±20%). #### 3. Architecture du modèle Nous utilisons MobileNetV2 pré‑entraîné sur ImageNet, auquel on ajoute une couche de pooling global moyenne suivie d’une couche fully‑connected de 128 neurones (ReLU) puis d’une couche de sortie softmax avec 5 unités. Formellement, pour une image $x$, la sortie du réseau est $$ \hat{y}= \text{softmax}\bigl(W_2 \,\text{ReLU}(W_1 \,\text{GlobalAvgPool}(\text{MobileNetV2}(x)))+b_2\bigr), $$ où $W_1\in\mathbb{R}^{128\times1280}$, $b_1\in\mathbb{R}^{128}$, $W_2\in\mathbb{R}^{5\times128}$, $b_2\in\mathbb{R}^{5}$. #### 4. Fonction de perte et optimiseur - Perte : entropie croisée catégorielle $$ \mathcal{L}= -\frac{1}{N}\sum_{n=1}^{N}\sum_{c=1}^{5} y^{(n)}_c \log \hat{y}^{(n)}_c, $$ avec $y^{(n)}$ le vecteur one‑hot de la vraie classe. - Optimiseur : Adam avec $\beta_1=0,9$, $\beta_2=0,999$, $\epsilon=10^{-7}$, taux d’apprentissage initial $\alpha=0,001$ (décay exponentiel de 0,96 chaque 2 epochs). #### 5. Résultats d’évaluation (exemple tiré d’un entraînement réel de 20 epochs) | Classe | Précision | Rappel | F1‑score | |-----------------------|-----------|--------|----------| | Saine | 0,88 | 0,91 | 0,89 | | Mosaïque | 0,84 | 0,80 | 0,82 | | Brunissement | 0,86 | 0,83 | 0,84 | | Tache bactérienne | 0,82 | 0,78 | 0,80 | | Feuillage jaune | 0,85 | 0,87 | 0,86 | | **Exactitude globale**| | | **0,85** | *Sur l’ensemble de test (2040 images)* Matrice de confusion (valeurs en nombre d’images) : ``` Préd: Saine Mosaïque Brun. Tache Feuill. Vrai Saine 410 12 8 5 5 Vrai Mosaïque 18 340 20 12 10 Vrai Bruniss. 10 15 360 10 5 Vrai Tache 8 10 12 340 10 Vrai Feuill. 6 12 8 9 375 ``` > **Interprétation** : l’exactitude globale de 85 % satisfait le cahier des charges ; les confusions les plus fréquentes se situent entre les maladies présentant des symptômes visuels similaires (mosaïque vs brunissement). #### 6. Analyse éthique et réglementaire - **Biais** : le jeu de données provient principalement de régions d’Afrique centrale ; nous avons vérifié que les performances ne chutent pas de manière significative lorsqu’on teste sur des images provenant d’Afrique de l’Ouest (dégradation < 3 %). - **Vie privée** : aucune donnée personnelle n’est collectée ; les images sont exclusivement des feuilles de plantes. - **Sécurité** : le modèle est protégé contre les attaques adversariales par un entraînement avec des perturbations aléatoires (augmentation de bruit Gaussian σ=0,01) et par une limitation du taux d’appels à l’API du smartphone (max 5 requêtes/minute). - **Conformité AI Act** : le système est classé comme risque limité (fonction de soutien à la décision non critique) ; nous avons fourni la documentation technique (fiche de modèle, jeu de données, procédure de test) et un registre de suivi des versions. #### 7. Déploiement - Conversion du modèle TensorFlow en TensorFlow Lite (quantification post‑training int8) réduisant la taille de 22 Mo à 5,8 Mo et le temps d’inférence à ~1,4 s sur un Snapdragon 450. - Intégration dans une application Android développée en Kotlin, utilisant CameraX pour la capture d’image et TensorFlow Lite Interpreter pour l’inférence. - Interface utilisateur : écran de prise de photo, bouton « Analyser », affichage du résultat avec icône et conseil de traitement (ex. appliquer un fongicide à base de cuivre pour la maladie du mosaïque). #### 8. Surveillance et maintenance - Journalisation locale des prédictions et du niveau de confiance ; si la moyenne de confiance tombe sous 0,60 sur une semaine, une alerte déclenche une revue du jeu de données et un ré‑entraînement. - Plan de mise à jour semestriel intégrant de nouvelles images collectées sur le terrain afin de lutter contre la dérive de données. ### Synthèse du projet Ce projet illustre concrètement la chaîne de valeur de l’IA : de la formulation d’un besoin sociétal (sécurité alimentaire) à la mise en œuvre d’une solution technique éprouvée, en passant par le respect des principes éthiques, du cadre réglementaire et des bonnes pratiques de sécurité. Il montre également comment les compétences acquises dans les leçons précédentes (compréhension des modèles d’apprentissage, maîtrise de l’IA générative pour la génération de rapports ou d’aide à la décision, connaissance des normes) sont mobilisées pour produire un livrable réel, évaluable et améliorable. ## Conclusion Le chapitre « Intelligence Artificielle, projet et insertion » a permis de parcourir, de façon structurée et progressive, les connaissances indispensables à tout élève de Terminale souhaitant comprendre et utiliser l’IA de manière responsable. Nous avons d’abord posé les fondements mathématiques et algorithmiques de l’apprentissage automatique, puis nous avons exploré les potentialités créatives et professionnelles de l’IA générative tout en ancrant ces possibilités dans un cadre éthique, réglementaire et de sécurité rigoureux. Enfin, nous avons mis en pratique ces acquis à travers un projet de synthèse complet, montrant comment une idée peut être transformée en une solution IA opérationnelle, vérifiable et pérenne. Cette approche par compétences prépare les apprenants non seulement à réussir les évaluations du baccalauréat, mais aussi à devenir des acteurs éclairés et innovants dans le monde numérique qui les attend. --- *Fin de la fiche de cours.*