UA 0 : Découverte d’un environnement d’IA (partie 2/2)

## Objectifs et prérequis À la fin de ce chapitre, l’élève pourra : - **Identifier** les principaux avantages et inconvénients de l’intelligence artificielle (IA) dans divers domaines (santé, éducation, industrie, etc.). - **Expliquer** ce que signifie une utilisation responsable de l’IA et citer les principes éthiques associés (transparence, équité, responsabilité, protection de la vie privée). - **Construire** un prompt clair et efficace pour interagir avec un modèle d’IA générative (texte, image ou code). - **Évaluer** la qualité d’une réponse d’IA en appliquant des critères de pertinence, de exactitude et de sécurité. - **Itérer** sur un échange avec une IA afin d’améliorer le résultat obtenu. **Prérequis** : notions de base sur le fonctionnement d’un ordinateur, connaissance des termes « algorithme », « donnée », « modèle », et familiarité avec l’utilisation d’un navigateur web et d’un traitement de texte. ## Introduction contextualisée L’intelligence artificielle occupe aujourd’hui une place centrale dans les systèmes d’information et les services numériques. Après avoir découvert, dans la première partie de l’UA 0, les concepts fondamentaux (qu’est‑ce qu’une IA, types d’apprentissage, exemples d’applications), nous nous concentrons maintenant sur deux aspects essentiels pour une citoyenneté numérique éclairée : les **avantages, les inconvénients et l’utilisation responsable** de l’IA, puis la **manière d’échanger efficacement** avec un système d’IA. Cette approche par compétences permet à l’élève de passer d’une simple utilisation passive à une pratique critique et créative, indispensable pour les épreuves du baccalauréat camerounais et pour la vie professionnelle. ## I. Avantages, inconvénients et utilisation responsable de l’IA ### A. Avantages de l’IA > **Définition** : Un avantage de l’IA est toute amélioration mesurable apportée par un système intelligent par rapport à une méthode traditionnelle, en termes de rapidité, de précision, de capacité d’analyse ou de création de valeur. **Propriétés principales** : 1. **Automatisation de tâches répétitives** → réduction du temps de travail humain. 2. **Traitement de gros volumes de données** → extraction de patterns invisibles à l’œil nu. 3. **Aide à la décision** → fourniture de recommandations basées sur des modèles probabilistes. 4. **Créativité augmentée** → génération de contenus (texte, image, musique) qui inspirent l’homme. **Démonstration d’un résultat important** : Considérons un système de détection de fraudes bancaires. Soit $TP$ les vrais positifs (fraudes détectées), $FP$ les faux positifs (transactions légitimes signalées à tort), $FN$ les faux négatifs (fraudes non détectées) et $TN$ les vrais négatifs. Le taux de détection (sensibilité) est $$ \text{Sensibilité} = \frac{TP}{TP+FN}. $$ Si un modèle atteint $TP=950$, $FN=50$, alors $\text{Sensibilité}= \frac{950}{1000}=0,95$ (95 %). Comparé à un système basé sur des règles classiques qui ne détecte que 70 % des fraudes, l’IA apporte un gain absolu de 25 points de pourcentage, ce qui se traduit par une réduction substantielle des pertes financières. **Exemple 1 – Simple** : Un chatbot de service client répond à 80 % des questions fréquentes sans intervention humaine. Si le centre reçoit 500 demandes/jour, le nombre d’interventions humaines nécessaires passe de 500 à $500\times(1-0,80)=100$. Gain de temps = 400 interventions/jour. **Exemple 2 – Délicat** : Dans le domaine de la santé, un modèle d’IA analyse des radiographies pulmonaires pour détecter la tuberculose. Sur un jeu de test de 2000 images, on obtient : $TP=820$, $FN=180$, $FP=120$, $TN=880$. - Sensibilité = $\frac{820}{820+180}=0,82$ (82 %). - Spécificité = $\frac{TN}{TN+FP}= \frac{880}{880+120}=0,88$ (88 %). - Précision = $\frac{TP}{TP+FP}= \frac{820}{820+120}=0,872$ (87,2 %). Ces indicateurs montrent que l’IA possède une bonne capacité de détection tout en limitant les fausses alarmes, ce qui justifie son déploiement en soutien aux radiologues. ### B. Inconvénients et limites de l’IA > **Définition** : Un inconvénient de l’IA est toute conséquence négative ou limitation intrinsèque qui peut réduire son efficacité, soulever des risques éthiques ou créer une dépendance inadaptée. **Limites fréquentes** : 1. **Biais algorithmiques** → reproduction ou amplification des préjugés présents dans les données d’apprentissage. 2. **Opacité (black‑box)** → difficulté à comprendre comment une décision a été prise. 3. **Besoins en ressources** → consommation importante d’énergie et de matériel informatique. 4. **Fragilité face aux données hors distribution** → performance qui chute lorsqu’on rencontre des situations inédites. 5. **Risque de sur‑automatisation** → perte de compétences humaines et de responsabilité décisionnelle. **Démonstration d’un résultat important** : Prenons le biais de genre dans un modèle de recommandation d’offres d’emploi. Supposons que le jeu d’apprentissage contient 70 % d’exemples masculins pour les postes techniques et 30 % féminins. Après entraînement, la probabilité que le modèle recommande un poste technique à une femme est proportionnelle à la fréquence observée dans les données, soit environ 0,30, alors que pour un homme elle est de 0,70. Le rapport de biais (odds ratio) vaut $$ \text{OR}= \frac{0,70/(1-0,70)}{0,30/(1-0,30)}= \frac{0,70/0,30}{0,30/0,70}= \frac{2,33}{0,43}\approx5,4. $$ Cela signifie qu’un homme est plus de cinq fois plus susceptible de recevoir une recommandation pour un poste technique qu’une femme, illustrant clairement un biais de genre. **Exemple 1 – Simple** : Un assistant vocal comprend mal les accents régionaux. Lors d’un test de 100 commandes, il échoue 22 fois avec un accent du Sud‑Ouest, alors qu’il ne commet que 5 erreurs avec un accent neutre. Taux d’erreur = 22 % vs 5 % → inconvénient lié à la diversité linguistique. **Exemple 2 – Délicat** : Un modèle de génération de texte produit parfois des informations factuellement incorrectes (hallucinations). Dans une expérience où le modèle doit répondre à 200 questions de culture générale, on observe 34 réponses contenant au moins une affirmation fausse. Taux d’hallucination = $34/200 = 0,17$ (17 %). Pour réduire ce taux, on peut appliquer une étape de **vérification par récupération** (RAG) qui diminue le taux à 5 % dans les mêmes conditions, montrant l’importance de combiner génération et recherche d’informations fiables. ### C. Utilisation responsable de l’IA > **Définition** : L’utilisation responsable de l’IA désigne l’ensemble des bonnes pratiques visant à garantir que les systèmes d’IA soient développés, déployés et utilisés de façon éthique, transparente, équitable et sécurisée. **Principes clés** (issus du cadre UNESCO sur l’éthique de l’IA, 2021) : 1. **Transparence** : les utilisateurs doivent savoir quand ils interagissent avec une IA et comment elle fonctionne dans les limites du secret industriel. 2. **Équité** : prévenir et atténuer les biais discriminatoires. 3. **Responsabilité** : désigner clairement qui est responsable des décisions prises par l’IA. 4. **Protection de la vie privée** : respecter les réglementations sur les données personnelles (ex. RGPD, loi camerounaise sur la protection des données). 5. **Sécurité** : garantir que l’IA ne cause pas de préjudice physique ou numérique. **Démonstration d’un résultat important** : L’application du principe de **minimisation des données** peut être illustrée par le calcul du risque de ré‑identification. Supposons un jeu de données contenant $n=10\,000$ enregistrements, chacun avec $k=5$ attributs quasi‑identifiants. Si chaque attribut possède en moyenne $d=20$ valeurs possibles, le nombre de combinaisons possibles est $d^k = 20^5 = 3{,}200{,}000$. La probabilité qu’un enregistrement soit unique (et donc potentiellement ré‑identifiable) est approximativement $$ P_{\text{unique}} \approx 1 - e^{-n/d^k}= 1 - e^{-10{,}000/3{,}200{,}000}\approx 1 - e^{-0,003125}\approx 0,00312. $$ Ainsi, moins de 0,4 % des enregistrements sont susceptibles d’être ré‑identifiés, montrant que la réduction du nombre d’attributs ou l’augmentation de la cardinalité de chaque attribut diminue fortement le risque. **Exemple 1 – Simple** : Avant de déployer un système de reconnaissance faciale dans un établissement scolaire, le responsable effectue une étude d’impact sur la vie privée (EIVP) et conclut que le traitement des images doit être limité à la détection de présence, sans stockage des visages. Cette décision respecte le principe de minimisation. **Exemple 2 – Délicat** : Une entreprise souhaite utiliser un modèle de langage pour générer des réponses automatisées aux réclamations clients. Elle met en place un **processus d’audit** : chaque réponse générée est revue par un humain pendant les deux premières semaines, puis un échantillon de 10 % est audité hebdomadairement. Si le taux d’insatisfaction dépasse 5 %, le modèle est retiré. Cette procédure assure la responsabilité et permet une amélioration continue tout en protégeant les utilisateurs. ## II. Apprendre à échanger avec une IA ### A. Principes de la communication homme‑machine > **Définition** : La communication homme‑machine avec une IA repose sur l’échange de **prompts** (entrées textuelles, vocales ou visuelles) et de **réponses** (sorties produites par le modèle), où la clarté, le contexte et les contraintes guident la qualité de l’interaction. **Éléments d’un bon échange** : 1. **Clarté du langage** : éviter l’ambiguïté, utiliser des phrases simples et directes. 2. **Fourniture de contexte** : préciser le domaine, le public visé ou le format attendu. 3. **Spécification des contraintes** : longueur, ton, style, présence ou absence d’éléments interdits. 4. **Boucle de rétroaction** : analyser la réponse, ajuster le prompt et relancer si nécessaire. **Démonstration d’un résultat important** : Considérons la tâche de génération d’un résumé de texte de 200 mots. Si le prompt est simplement « Résume ce texte », le modèle peut produire un résumé de longueur variable (entre 50 et 350 mots). En ajoutant la contrainte « en exactement 120 mots », la variance de la longueur chute considérablement. Dans un test de 30 essais, l’écart‑type de la longueur passe de 78 mots (prompt vague) à 12 mots (prompt contraint), montrant l’impact de la précision du prompt. **Exemple 1 – Simple** : Demander à un modèle : « Donne-moi une recette de gâteau au chocolat ». Réponse obtenue : une liste d’ingrédients sans étapes de cuisson. En reformulant : « Donne-moi une recette complète de gâteau au chocolat, avec les quantités, les étapes de préparation et le temps de cuisson, en moins de 150 mots », la réponse inclut tous les éléments demandés. **Exemple 2 – Délicat** : On souhaite que le modèle rédige un argumentaire de 250 mots en faveur de l’utilisation des énergies renouvelables, destiné à un public de lycéens, avec un ton persuasif et sans jargon technique. Premier prompt : « Écris un texte sur les énergies renouvelables ». Réponse : texte générique de 180 mots, ton neutre, quelques termes techniques. Après itération : 1. Ajout du public : « destiné à des lycéens ». 2. Précision du ton : « ton persuasif ». 3. Contrainte de longueur : « exactement 250 mots ». 4. Interdiction du jargon : « évite les termes comme « photovoltaïque » sans explication ». Le modèle produit alors un texte de 252 mots, avec des analogies accessibles, un appel à l’action et un vocabulaire adapté. La deuxième itération montre comment chaque ajout de contrainte affine la sortie. ### B. Construction d’un prompt efficace > **Définition** : Un prompt efficace est une entrée structurée qui combine **instruction**, **contexte**, **contraintes** et éventuellement **exemples** (few‑shot) pour guider le modèle vers la sortie souhaitée. **Structure recommandée** (méthode « ICEC ») : - **I**nstruction : verbe d’action clair (résumer, traduire, créer, expliquer). - **C**ontexte : informations de fond nécessaires (public, objectif, domaine). - **E**xemples (optionnel) : un ou deux couples entrée/sortie illustrant le style attendu. - **C**ontraintes : longueur, format, ton, éléments à inclure ou à exclure. **Démonstration d’un résultat important** : Supposons que l’on veuille obtenir une traduction français‑anglais d’une phrase technique tout en préservant le format LaTeX des équations. Sans contraintes, le modèle peut convertir `$E = mc^2$` en `E = mc^2` (perte du symbole dollar). Avec la contrainte « garde les symboles `$` autour des équations LaTeX », le modèle retourne correctement `$E = mc^2$`. Dans un test de 50 phrases, le taux de préservation des symboles passe de 62 % (sans contrainte) à 98 % (avec contrainte). **Exemple 1 – Simple** : Prompt : « Traduire en anglais : « Bonjour, comment ça va ? » ». Réponse : « Hello, how are you? ». Ajout de la contrainte « garder la ponctuation d’origine » : même résultat, mais on vérifie que la virgule et le point d’interrogation sont préservés. **Exemple 2 – Délicat** : On veut que le modèle génère un tableau Markdown résumant les avantages et les inconvénients de l’IA, avec exactement trois lignes de données (en excluant l’en-tête). Prompt de base : « Crée un tableau Markdown des avantages et inconvénients de l’IA ». Réponse initiale : tableau avec 5 lignes, pas exactement trois. Prompt amélioré (ICEC) : - Instruction : « Crée ». - Contexte : « tableau Markdown comparant les avantages et les inconvénients de l’IA ». - Exemple : fournir une ligne d’exemple `| Avantages | Inconvénients |`. - Contraintes : « exactement trois lignes de données, pas de lignes vides, utiliser les barres verticales uniquement comme séparateurs de colonne ». Résultat obtenu : ``` | Avantages | Inconvénients | |-------------------------|-----------------------------| | Automatisation des tâches | Biais algorithmiques | | Analyse de gros volumes | Opacité (black‑box) | | Aide à la décision | Consommation énergétique | ``` Le nombre de lignes de données est bien trois, montrant l’efficacité de la structure ICEC. ### C. Itération et amélioration du dialogue > **Définition** : L’itération désigne le processus consistant à analyser la réponse d’une IA, à identifier les écarts par rapport à l’objectif, puis à modifier le prompt (ou à fournir un feedback) pour obtenir une sortie plus adaptée lors d’un tour suivant. **Étapes d’une itération réussie** : 1. **Évaluation** : vérifier la pertinence, l’exactitude, le format et le respect des contraintes. 2. **Diagnostic** : repérer les éléments manquants, les excès ou les erreurs factuelles. 3. **Rédaction du feedback** : préciser ce qu’il faut ajouter, supprimer ou changer. 4. **Re‑prompting** : intégrer le feedback dans un nouveau prompt, en conservant les parties qui fonctionnaient. 5. **Répétition** : reprendre à l’étape 1 jusqu’à satisfaction. **Démonstration d’un résultat important** : Dans une tâche de génération de code Python qui doit calculer la factorielle d’un entier $n$ en utilisant la récursivité, le premier prompt « Écris une fonction factorielle en Python » produit : ```python def fact(n): return n * fact(n-1) ``` Cette version manque d’une condition d’arrêt et provoque une récursion infinie. Après évaluation, on note l’absence de cas de base. Le feedback : « Ajoute un cas de base pour retourner 1 quand n vaut 0 ou 1 ». Le nouveau prompt devient : « Écris une fonction factorielle en Python avec un cas de base pour n=0 ou n=1 ». Le modèle répond : ```python def fact(n): if n <= 1: return 1 return n * fact(n-1) ``` Cette fonction s’exécute correctement. L’itération a permis de passer d’une solution non fonctionnelle à une solution correcte en un seul tour. **Exemple 1 – Simple** : Demander une liste de cinq fruits tropicaux. Première réponse : « banane, mangue, ananas, papaye, coco ». L’utilisateur veut les fruits classés par ordre alphabétique. Feedback : « trie la liste par ordre alphabétique ». Nouveau prompt : « Liste cinq fruits tropicaux, triés par ordre alphabétique ». Réponse : « ananas, banane, coco, mangue, papaye ». **Exemple 2 – Délicat** : On souhaite obtenir un discours de 2 minutes (environ 260 mots) sur l’impact de l’IA sur l’emploi, destiné à un conseil d’administration, avec un ton formel et incluant une citation de l’UNESCO (2021). - Premier prompt : « Écris un discours sur l’IA et l’emploi ». Réponse : 190 mots, ton neutre, aucune citation. - Feedback : « Allonge à 260 mots, adopte un ton formel, insère la citation suivante : « L’IA doit être développée dans le respect des droits de l’homme » (UNESCO, 2021). » - Deuxième réponse : 258 mots, ton assez formel, citation présente mais placée en fin de phrase de façon maladroite. - Feedback supplémentaire : « Place la citation après la première phrase du deuxième paragraphe, et utilise des verbes d’action forts. » - Troisième réponse : 262 mots, ton formel, citation correctement intégrée, structure logique (intro, défis, opportunités, conclusion). Cette séquence montre comment plusieurs itérations, chacune guidée par un feedback précis, permettent d’atteindre un résultat conforme aux attentes élevées. ## Synthèse du chapitre - **Avantages de l’IA** : automatisation, traitement de gros volumes, aide à la décision, créativité augmentée. Exemple de sensibilité 95 % en détection de fraudes. - **Inconvénients et limites** : biais algorithmiques, opacité, consommation énergétique, fragilité hors distribution, risque de sur‑automatisation. Exemple de biais de genre avec odds ratio ≈ 5,4. - **Utilisation responsable** : transparence, équité, responsabilité, protection de la vie privée, sécurité. Principe de minimisation des données réduit le risque de ré‑identification à < 0,4 %. - **Échange avec une IA** : communication basée sur des prompts clairs, contexte, contraintes et exemples (méthode ICEC). Itération via évaluation, diagnostic, feedback et re‑prompting. Exemple de génération de code factorielle corrigée en un tour. - **Bonnes pratiques** : toujours spécifier la longueur, le ton et le format ; vérifier les réponses ; itérer jusqu’à satisfaction ; respecter les principes éthiques de l’UNESCO. ## Glossaire | Terme | Définition | |-------|------------| | IA (Intelligence Artificielle) | Ensemble de théories et de techniques visant à créer des machines capables de simuler l’intelligence humaine (apprentissage, raisonnement, perception). | | Prompt | Entrée fournie à un modèle d’IA (texte, image, audio) qui indique la tâche à réaliser. | | Biais algorithmique | Tendance d’un modèle à produire des résultats systématiquement favorisant ou défavorisant un groupe en raison de préjugés présents dans les données d’apprentissage. | | Transparence | Qualité d’un système d’IA permettant aux utilisateurs de comprendre quand ils interagissent avec une IA et comment celle‑ci fonctionne dans les limites du secret industriel. | | Équité | Principe visant à éviter toute discrimination injuste fondée sur des caractéristiques telles que le sexe, l’origine, l’âge ou le handicap. | | Responsabilité | Obligation de désigner clairement qui est responsable des décisions prises par un système d’IA et de réparer les éventuels préjudices. | | Minimisation des données | Pratique consistant à limiter la collecte et le traitement des données personnelles au strict nécessaire pour atteindre l’objectif poursuivi. | | Hallucination (IA) | Génération par un modèle d’énoncés factuellement incorrects ou inventés, présentés comme vrais. | | Few‑shot | Technique de fourniture d’un petit nombre d’exemples d’entrée/sortie dans le prompt pour guider le modèle vers le comportement souhaité. | | Récursivité | Méthode de définition d’une fonction qui s’appelle elle‑même avec un argument modifié, nécessitant un cas d’arrêt pour éviter l’infini. | | Sensibilité | Mesure de la capacité d’un modèle à détecter les vrais positifs : $TP/(TP+FN)$. | | Spécificité | Mesure de la capacité d’un modèle à rejeter les vrais négatifs : $TN/(TN+FP)$. | | Précision | Proportion de vrais positifs parmi toutes les prédictions positives : $TP/(TP+FP)$. | | F1‑score | Moyenne harmonique de la précision et de la sensibilité : $2 \times (précision \times sensibilité)/(précision + sensibilité)$. | | RAG (Retrieval‑Augmented Generation) | Approche qui combine un modèle de génération avec un module de recherche d’informations pour réduire les hallucinations. | ## Exercices d'application corrigés **Exercice 1** (niveau facile) *Consigne* : Une IA de reconnaissance d’images obtient sur un jeu de test de 500 photos les résultats suivants : $TP=210$, $FN=90$, $FP=60$, $TN=140$. Calculer la sensibilité, la spécificité et la précision. *Corrigé* : - Sensibilité $= \frac{TP}{TP+FN}= \frac{210}{210+90}= \frac{210}{300}=0,70$ → **70 %**. - Spécificité $= \frac{TN}{TN+FP}= \frac{140}{140+60}= \frac{140}{200}=0,70$ → **70 %**. - Précision $= \frac{TP}{TP+FP}= \frac{210}{210+60}= \frac{210}{270}\approx0,7778$ → **77,8 %**. **Exercice 2** (niveau intermédiaire) *Consigne* : Un modèle de langage génère des réponses à des questions médicales. Sur 200 questions, on relève 30 réponses contenant au moins une affirmation fausse (hallucination). On souhaite réduire ce taux à moins de 5 % en ajoutant un module de récupération d’informations (RAG). Quel est le nombre maximal de réponses erronées autorisées après l’ajout du RAG ? *Corrigé* : Taux cible $<5\%$ → nombre maximal d’erreurs $= 0,05 \times 200 = 10$. Donc après RAG, le modèle doit produire **au plus 10 réponses erronées**. **Exercice 3** (niveau intermédiaire) *Consigne* : Vous devez écrire un prompt pour obtenir un résumé de 120 mots d’un texte scientifique sur l’effet de serre, destiné à des élèves de 4ème, avec un ton explicatif et sans formules mathématiques complexes. Rédigez le prompt complet en suivant la structure ICEC. *Corrigé* : - **Instruction** : « Résume ». - **Contexte** : « texte scientifique sur l’effet de serre, destiné à des élèves de 4ème, ton explicatif ». - **Exemple** : (optionnel) fournir une phrase d’exemple : « L’effet de serre est un phénomène naturel qui… ». - **Contraintes** : « exactement 120 mots, pas de formules mathématiques complexes (éviter les symboles comme $$, $\int$, $\partial$), utiliser un vocabulaire accessible aux collégiens ». Prompt final : > Résume le texte scientifique sur l’effet de serre destiné à des élèves de 4ème, avec un ton explicatif. Exemple : « L’effet de serre est un phénomène naturel qui… ». Contraintes : exactement 120 mots, pas de formules mathématiques complexes, vocabulaire accessible aux collégiens. **Exercice 4** (niveau avancé) *Consigne* : Un assistant virtuel doit produire un programme en langage C qui lit un entier $n$ depuis l’entrée standard et affiche la somme des premiers $n$ carrés ($1^2+2^2+\dots+n^2$). Le premier jet donné par le modèle est : ```c #include <stdio.h> int main(){ int n,sum=0; scanf("%d",&n); for(int i=1;i<=n;i++) sum+=i; printf("%d\n",sum); return 0; } ``` Identifiez l’erreur, expliquez pourquoi le programme ne donne pas la bonne résultante, puis fournissez le code corrigé. *Corrigé* : - **Erreur** : la ligne `sum+=i;` ajoute l’entier $i$ au lieu de son carré $i^2$. - **Conséquence** : le programme calcule $1+2+\dots+n = \frac{n(n+1)}2$ au lieu de $\sum_{i=1}^n i^2 = \frac{n(n+1)(2n+1)}6$. - **Correction** : remplacer `sum+=i;` par `sum+=i*i;` (ou `sum+=i* i;`). Code corrigé : ```c #include <stdio.h> int main(){ int n,sum=0; scanf("%d",&n); for(int i=1;i<=n;i++) sum+=i*i; // somme des carrés printf("%d\n",sum); return 0; } ``` **Exercice 5** (niveau avancé) *Consigne* : Vous devez préparer un débat de 3 minutes (environ 380 mots) sur le thème « L’IA peut‑elle remplacer les enseignants ? » destiné à un jury de concours, avec un ton argumentatif, incluant une référence à la déclaration de l’UNESCO sur l’éthique de l’IA (2021) et une statistique récente (2023) selon laquelle 62 % des enseignants du secondaire considèrent l’IA comme un outil d’aide plutôt qu’un remplaçant. Rédigez le prompt complet (ICEC) que vous utiliseriez auprès d’un modèle d’IA générative pour obtenir ce texte. *Corrigé* : - **Instruction** : « Rédige ». - **Contexte** : « débat de 3 minutes (~380 mots) sur « L’IA peut‑elle remplacer les enseignants ? », destiné à un jury de concours, ton argumentatif ». - **Exemple** : (facultatif) fournir une phrase d’accroche : « L’intelligence artificielle transforme déjà de nombreux secteurs… ». - **Contraintes** : « exactement 380 mots, inclure la citation suivante : « L’IA doit être développée dans le respect des droits de l’homme » (UNESCO, 2021), intégrer la statistique : 62 % des enseignants du secondaire considèrent l’IA comme un outil d’aide plutôt qu’un remplaçant (source : enquête MINESEC, 2023), éviter les listes à puces, utiliser un style soutenu avec des connecteurs logiques ». Prompt final : > Rédige un débat de 3 minutes (~380 mots) sur le thème « L’IA peut‑elle remplacer les enseignants ? », destiné à un jury de concours, avec un ton argumentatif. Exemple : « L’intelligence artificielle transforme déjà de nombreux secteurs… ». Contraintes : exactement 380 mots, inclure la citation « L’IA doit être développée dans le respect des droits de l’homme » (UNESCO, 2021), intégrer la statistique : 62 % des enseignants du secondaire considèrent l’IA comme un outil d’aide plutôt qu’un remplaçant (source : enquête MINESEC, 2023), éviter les listes à puces, utiliser un style soutenu avec des connecteurs logiques. ## Erreurs fréquentes | Erreur fréquente | Pourquoi elle se produit | Comment l’éviter | |------------------|--------------------------|------------------| | **Oublier de préciser la longueur souhaitée** | Le modèle retourne souvent un texte trop court ou trop long, ce qui oblige à reprendre le prompt. | Toujours ajouter une contrainte de longueur exacte ou un intervalle (ex. « entre 250 et 300 mots »). | | **Utiliser un vocabulaire ambigu ou des pronoms vagues** | Des termes comme « ça », « cela » ou « il » peuvent être interprétés de plusieurs manières, menant à des réponses hors sujet. | Remplacer les pronoms par des références explicites (ex. « le texte fourni » au lieu de « ça »). | | **Negliger le contexte du public cible** | Un ton trop technique pour des élèves de 4ème ou trop simpliste pour un jury de concours diminue la pertinence. | Définir clairement le public (âge, niveau, expertise) dans la partie « Contexte » du prompt. | | **Ne pas vérifier les faits après génération** | Les modèles peuvent produire des hallucinations, surtout sur des données récentes ou pointues. | Toujours croiser les informations clés avec des sources fiables avant de considérer la réponse comme définitive. | | **Confondre précision et sensibilité** | Lors de l’évaluation d’un modèle, les élèves inversent parfois les deux indicateurs, tirant de mauvaises conclusions sur la performance. | Rappeler les formules : Sensibilité $=TP/(TP+FN)$ (capacité à détecter les positifs) ; Précision $=TP/(TP+FP)$ (qualité des prédictions positives). | | **Omettre le cas d’arrêt dans une fonction récursive** | Le code entre alors en boucle infinie, provoquant un dépassement de pile ou un plantage. | Lors de l’écriture d’une fonction récursive, écrire explicitement le cas de base (ex. `if (n<=1) return 1;`). | --- *Fin du cours.*