Apprendre l'IA
Vous n'avez jamais touché à une intelligence artificielle, ou presque jamais à un ordinateur ? Ce cours est fait pour vous. Pas de théorie, pas de jargon : juste apprendre à s'en servir, tranquillement, une étape à la fois.
- C'est quoi, ces « IA » dont tout le monde parle ?
- Votre première conversation, pas à pas
- Que lui demander ? Des exemples de la vraie vie
- Bien demander pour bien recevoir
- Prudence : ce qu'il ne faut jamais faire
- L'IA qui vous facilite la vie chaque jour
On ouvre une IA ensemble, on lui pose une vraie question, et on apprend à redemander quand la réponse ne convient pas. Rien à installer, rien à payer.
- Ouvrir une IA : où aller, et c'est gratuit
- Écrire sa toute première question
- Quand la réponse ne convient pas : redemander
- Une conversation par sujet, et on s'y retrouve
- La même chose sur téléphone
Cinq situations concrètes, cinq demandes à recopier telles quelles : un courrier, un document qu'on ne comprend pas, une explication, une comparaison, une traduction.
- Écrire un courrier qu'on repousse depuis des semaines
- Comprendre un document qui vous dépasse
- Se faire expliquer n'importe quoi, à son niveau
- Comparer deux choix sans y passer la soirée
- Traduire, et pas seulement mot à mot
Elle se trompe parfois, et toujours avec le même aplomb. Voici comment le repérer, quoi vérifier en priorité, et ce qu'on ne lui confie jamais.
- Pourquoi elle invente, et pourquoi elle a l'air si sûre
- Les trois terrains où il faut toujours vérifier
- Vérifier en deux minutes, sans être expert
- Reconnaître une image ou une voix fabriquée
- Ce qu'on ne lui confie jamais
IA, algorithme, modèle, LLM, prompt, deepfake. Une vingtaine de mots expliqués en deux phrases chacun, avec une comparaison du quotidien. De quoi lire un article sans décrocher.
- IA, algorithme, robot : trois mots, trois choses
- Modèle, LLM, entraînement : les mots du moteur
- Prompt, contexte, token : les mots de l'usage
- Les mots qui font peur, remis à leur place
- Ce que « gratuit » veut dire ici
Zéro prérequis, zéro jargon. En six leçons, vous comprendrez ce qu'est vraiment une IA, comment elle apprend, et comment lui parler, le socle dont tout le reste découle.
- C'est quoi, une intelligence artificielle ?
- Comment une machine apprend : l'entraînement
- Les LLM : la machine à prédire les mots
- Parler à une IA : les bases du prompt
- Ce que l'IA ne sait pas faire (et les hallucinations)
- L'IA dans votre vie de tous les jours
Cinq leviers qui changent une réponse du tout au tout : le rôle, le contexte, le format, les contraintes et l'exemple. Avec les cas où ça ne marche pas.
- Les cinq leviers, et pourquoi ils marchent
- Une demande construite, de bout en bout
- Faire relire, corriger et réécrire ses textes
- Apprendre avec une IA sans se faire porter
- Quand ça ne marche pas : quatre causes
Où partent vos messages, ce que « servir à l'entraînement » veut dire concrètement, les réglages qui existent vraiment, et les droits dont vous disposez en Europe.
- Où va votre message, concrètement
- Ce que « servir à l'entraînement » veut dire
- Les réglages qui existent vraiment
- Au travail : la question qui se pose vraiment
- Vos droits, en Europe
Rapide ou réfléchi, texte seul ou multimodal, petite ou grande mémoire, ouvert ou fermé. Les quatre critères qui décident vraiment, sans citer un seul nom de modèle.
- Rapide ou réfléchi : deux familles
- Multimodal : quand il voit et entend
- La fenêtre de contexte : sa mémoire de travail
- Ouvert ou fermé : ce que ça change pour vous
- Choisir en pratique, en trois questions
L'emploi, l'énergie, les gens qui fabriquent l'IA, le droit d'auteur, et l'information quand tout peut être fabriqué. Ce qu'on observe vraiment, sans prédiction ni panique.
- Est-ce que ça va prendre mon métier ?
- Ce que ça consomme, et pourquoi c'est si dur à chiffrer
- Les gens qui fabriquent l'IA, et qu'on ne voit jamais
- À qui appartient ce qui a servi à l'entraîner ?
- S'informer quand tout peut être fabriqué
Faux appel d'un proche à la voix clonée, faux conseiller bancaire, vidéos truquées : reconnaître les nouvelles arnaques, vérifier sans être expert, protéger vos proches et savoir quoi faire si vous êtes visé.
- Les nouvelles arnaques rendues possibles par l'IA
- Image ou vidéo truquée : enquêter avant de croire
- La voix clonée : raccrocher, rappeler, mot de passe familial
- Protéger vos proches, et réagir si vous êtes visé
- Le réflexe en 4 temps, et un cas pratique
Vous avez les bases. Maintenant : choisir le bon modèle, écrire des prompts de pro, dompter la mémoire de l'IA, générer des images et comprendre les agents. Le niveau qui change votre productivité.
- Ce que coûte un modèle, et comment on arbitre
- Le prompting avancé : techniques de pro
- Quand le contexte ne suffit plus : aller chercher l'information
- Images et documents : où la lecture machine échoue
- Les agents : quand l'IA passe à l'action
Ce que l'IA retient vraiment d'une conversation à l'autre, comment lui donner des consignes permanentes qui servent, ranger vos sujets dans des projets, surveiller sa mémoire et vous fabriquer un assistant dédié à une tâche.
- Trois mémoires qu'on confond toujours
- Les consignes permanentes : un profil qui sert vraiment
- Les projets : un dossier par sujet, avec ses documents
- La mémoire automatique : utile, mais à surveiller
- Fabriquer un assistant dédié à une tâche
Quand l'IA va chercher sur internet : ce qui se passe vraiment, comment poser une vraie question de recherche, vérifier les sources qu'elle cite, tirer parti de la recherche approfondie sans s'y fier aveuglément, et savoir quand un moteur classique fait mieux.
- De mémoire, en cherchant, en enquêtant : trois modes
- Poser une vraie question de recherche
- Une source citée n'est pas une source vérifiée
- La recherche approfondie : un stagiaire rapide, pas un expert
- Moteur classique ou IA : choisir le bon outil
Qui parle et ce qu'il vend, la démonstration qui n'est pas un produit, les mots du communiqué, l'argent qui tourne en rond. De quoi lire n'importe quelle annonce avec un temps d'avance.
- Qui parle, et ce qu'il vend
- Une démonstration n'est pas un produit
- Les mots du communiqué, et ce qu'ils cachent
- L'argent, et pourquoi il tourne parfois en rond
- Ce qu'on ne sait pas, et pourquoi le dire est un bon signe
Transformer, attention, RLHF, embeddings, RAG, MoE… Le cours qui transforme les buzzwords en concepts clairs. Pour comprendre comment la magie fonctionne, et pouvoir en discuter avec n'importe quel ingénieur.
- Le Transformer : l'architecture qui a tout changé
- Du texte brut à l'assistant : fine-tuning et RLHF
- Embeddings et RAG : brancher l'IA sur vos données
- MoE, distillation, quantization : l'ingénierie de l'efficacité
- Évaluer une IA : benchmarks, limites et esprit critique
Pourquoi laisser un modèle « réfléchir » plus longtemps le rend meilleur sans le réentraîner, ce que cela coûte, et où cette approche cesse de payer.
- Dépenser du calcul au moment de répondre
- Où le raisonnement long cesse de payer
- Arbitrer le budget de réflexion
- Faire vérifier plutôt que faire réfléchir
Hallucinations, complaisance, biais, explications trompeuses : d'où viennent vraiment les erreurs des modèles, ce que la recherche a vu en regardant à l'intérieur, et comment s'en protéger quand on les utilise ou qu'on les évalue.
- L'hallucination, une erreur que l'entraînement encourage
- La complaisance : quand il vous donne raison
- Les biais : un reflet déformé des données
- Regarder à l'intérieur : ce que l'interprétabilité a montré
Installer et utiliser un modèle à poids ouverts sur votre propre machine : quand ça vaut le coup, ce que votre matériel permet, lire le nom d'un modèle, choisir et sécuriser l'outil, et savoir ce qu'un modèle local fait bien ou mal.
- Pourquoi installer une IA chez soi, et pour qui
- Ce que votre machine peut faire tourner
- Lire le nom d'un modèle
- Installer, discuter, brancher : les outils
- Ce qu'un modèle local fait bien, et ce qu'il rate
Vous savez comment les LLM fonctionnent, place à la pratique : API ou modèle local, fine-tuning, RAG de production, agents, sécurité, évaluations. Le cours pour passer de la théorie aux systèmes qui tournent vraiment.
- API ou modèle local : choisir votre moteur
- Fine-tuning : spécialiser un modèle sans se rater
- Un RAG qui tient la route en production
- Construire un agent : outils, boucle, garde-fous
- Sécurité : injections de prompt et données sensibles
- Évaluer ce que vous construisez : la boucle qualité
La facture, la latence, l'observabilité et les incidents. Ce qui se passe quand le prototype rencontre du trafic réel, et pourquoi c'est là que les projets meurent.
- Observer un système non déterministe
- Tenir la facture
- Se dégrader proprement
- Changer de modèle sans tout casser
Un agent qui travaille longtemps ne vaut que par ce qu'il a sous les yeux à chaque étape. Alléger ce qui entre, garder un contexte stable pour le cache, compacter sans perdre les contraintes, et répartir le travail entre sous-agents sans casser la cohérence.
- Le contexte est une ressource finie
- Un contexte stable, pour le cache et pour la cohérence
- Compacter, prendre des notes, rappeler l'objectif
- Sous-agents : isoler pour mieux penser
La sortie du modèle traitée comme un ordre, des outils tiers piégés, un index documentaire qui fuit entre utilisateurs, une facture qui explose : les failles qui restent une fois l'injection de prompt traitée, et comment les fermer dans le code plutôt que dans le prompt.
- Cartographier les menaces : la liste de l'OWASP
- La sortie du modèle est une entrée non fiable
- Les pièces que vous n'avez pas écrites
- Le RAG qui en dit trop
- Bornes, abus et tests d'attaque