Fiche pédagogique
De quelle capacité d’IA avez-vous besoin ?
IA, apprentissage automatique, IA générative, RAG, agents : ces mots désignent des objets différents. Cette fiche aide à les distinguer, puis à partir du travail à accomplir plutôt que d’une technologie.
Pour les chercheurs
Pour un projet de recherche, la question utile n’est pas « quelle IA ? » mais « quelle méthode, quelles données et quelle évaluation ? ». La fiche vous aide à justifier un choix de méthode, à identifier les données ou corpus nécessaires et à définir comment vous mesurerez les erreurs.
Fiche rattachée à l’unité C03 « Distinguer modèle, application, capacité et résultat » du socle « Fondations nationales de l’IA », qui n’est pas encore en ligne. Elle se consulte de façon autonome.
Lecture A — Comprendre les notions
Ces sept termes ne forment pas une suite d’étapes. Trois désignent des méthodes emboîtées (IA, apprentissage automatique, apprentissage profond), deux désignent ce que produisent certains modèles (IA générative, grands modèles de langage), deux désignent des façons d’assembler un système (RAG, système agentique).
Ce que montre le schéma, en texte
- est inclus dans : L’apprentissage profond fait partie de l’apprentissage automatique, qui fait partie de l’IA.
- repose largement sur : Les systèmes génératifs actuels, dont les grands modèles de langage, reposent largement sur l’apprentissage profond ; ce n’est pas une étape suivante.
- utilise : Le RAG et les systèmes agentiques sont des architectures : ils assemblent un modèle avec d’autres éléments (sources, outils, règles).
- peut combiner : Un agent peut utiliser un RAG ; un service RAG peut fonctionner sans agent. Aucun des deux n’est un niveau de maturité.
Intelligence artificielle (IA) · Domaine
Domaine général qui regroupe des méthodes et des systèmes très différents : règles écrites par des experts, recherche de solutions, apprentissage à partir de données, etc.
- Exemple :
- Un système expert qui applique des règles de calcul d’un droit, comme un modèle qui reconnaît une langue parlée.
- Relation :
- Englobe l’apprentissage automatique, mais aussi des méthodes qui n’apprennent pas à partir de données.
- À ne pas confondre :
- Croire que « IA » désigne un outil précis. Le mot ne dit ni la méthode, ni les données, ni la fiabilité.
Apprentissage automatique (ML) · Famille de méthodes
Méthodes qui apprennent des régularités à partir de données, au lieu de suivre uniquement des règles écrites à la main.
- Exemple :
- Estimer à partir de séries passées si une valeur statistique sort de l’ordinaire.
- Relation :
- Fait partie de l’IA. L’apprentissage profond en est une famille.
- À ne pas confondre :
- Penser qu’un modèle appris est objectif : il reproduit les forces et les biais de ses données.
Apprentissage profond (DL) · Famille de méthodes
Famille de méthodes d’apprentissage automatique qui utilisent des réseaux de neurones à nombreuses couches.
- Exemple :
- Reconnaître des caractères dans un document scanné, ou transcrire de la parole.
- Relation :
- Fait partie de l’apprentissage automatique. La plupart des systèmes génératifs actuels reposent sur lui.
- À ne pas confondre :
- Le présenter comme toujours meilleur : sur peu de données ou pour un besoin simple, une méthode plus légère peut suffire et s’expliquer plus facilement.
IA générative · Capacité de systèmes
Systèmes qui produisent un contenu nouveau : texte, image, son, vidéo ou code. Les systèmes contemporains reposent largement sur l’apprentissage profond.
- Exemple :
- Proposer une première version de synthèse de plusieurs documents, à relire.
- Relation :
- Désigne ce que fait le système (produire), pas une étape après l’apprentissage profond. Les grands modèles de langage en sont un cas pour le langage.
- À ne pas confondre :
- Confondre un texte bien écrit avec un texte exact. Une réponse fluide ne prouve pas son exactitude.
Grand modèle de langage (LLM) · Type de modèle
Grand modèle, généralement fondé sur l’apprentissage profond, entraîné sur de vastes ensembles de textes et utilisé notamment pour comprendre et générer du langage.
- Exemple :
- Reformuler une procédure administrative dans un langage plus simple.
- Relation :
- Peut servir de composant dans un service RAG ou dans un système agentique, ou être utilisé seul.
- À ne pas confondre :
- Le traiter comme une base de données : il ne « sait » pas où se trouve une information et ne cite pas de source par lui-même.
Génération augmentée par récupération (RAG) · Architecture
Approche qui associe une recherche d’informations dans des sources choisies et la génération d’une réponse à partir des passages retrouvés.
- Exemple :
- Expliquer une procédure en s’appuyant sur les textes de référence de l’administration concernée.
- Relation :
- Ce n’est pas une catégorie de modèle : c’est une façon d’assembler une recherche documentaire et un modèle génératif. Peut être utilisé par un agent, ou fonctionner sans agent.
- À ne pas confondre :
- Croire qu’il garantit une réponse correcte : il dépend de la qualité des sources, de la recherche et de la fidélité de la génération.
Système agentique · Architecture
Architecture dans laquelle un système organise des étapes, utilise des outils et exécute des actions vers un objectif, avec une autonomie encadrée.
- Exemple :
- Préparer une mise à jour de fiche, la soumettre à une personne, puis l’enregistrer après accord.
- Relation :
- Utilise généralement un modèle de langage pour décider des étapes. Peut appeler un RAG comme un outil parmi d’autres. N’est pas une étape obligatoire après le RAG.
- À ne pas confondre :
- Croire que la présence d’outils suffit à démontrer une autonomie utile : il faut des actions autorisées, des validations et une traçabilité.
Lecture B — Partir du travail à accomplir
Quatre intentions, qui peuvent se combiner dans un même projet. Les exemples sont des illustrations pédagogiques : ils ne décrivent pas des fonctions déjà disponibles dans Agora.
Prédire ou détecter
Exemple illustratif : Repérer une anomalie dans des statistiques du numérique.
Questions à se poser
- Quelle cible veut-on prédire ou repérer ?
- Quelles données, sur quelle période ?
- Quelle performance attend-on ?
- Quelles erreurs sont acceptables, et lesquelles ne le sont pas ?
Produire un contenu
Exemple illustratif : Préparer une première synthèse de documents.
Questions à se poser
- Quel résultat attend-on, pour qui ?
- Quels critères de qualité ?
- Qui vérifie, et comment ?
Répondre à partir de sources
Exemple illustratif : Expliquer une procédure à partir de documents de référence.
Questions à se poser
- Quelles sources font foi ?
- Sont-elles à jour et valides ?
- Qui a le droit de voir quoi ?
- La réponse reste-t-elle fidèle aux sources ?
Exécuter des actions
Exemple illustratif : Préparer puis soumettre une mise à jour de fiche.
Questions à se poser
- Quels outils le système peut-il utiliser ?
- Quelles actions sont autorisées, lesquelles sont interdites ?
- Quelle validation humaine, à quel moment ?
- Comment garder la trace de chaque action ?
Relier le besoin aux moyens et aux preuves
Aucun montant n’est indiqué : le coût dépend du besoin, des ressources déjà disponibles et des conséquences d’une erreur. Le tableau signale ce qui fait varier l’effort.
| Intention | Ressources nécessaires | Critères d’acceptation | Principaux facteurs de coût | Vérification et validation |
|---|---|---|---|---|
| Prédire ou détecter | Données historiques étiquetées ou vérifiées, définition précise de ce qu’est une anomalie, compétences en statistique ou en apprentissage automatique. | Taux d’erreurs mesuré sur des données non utilisées pour l’entraînement ; part des fausses alertes et des cas manqués jugée acceptable. | Préparation et qualité des données, étiquetage, réentraînement quand les données évoluent, suivi des performances. | Le producteur des données en garantit la qualité ; une personne examine chaque alerte avant toute décision. |
| Produire un contenu | Documents d’entrée, consignes et modèles de résultat attendu, accès à un modèle génératif adapté à la langue et au type de contenu. | Contenu conforme aux consignes, sans affirmation absente des documents, relu et corrigé par une personne compétente. | Utilisation du modèle (volume traité), temps de relecture humaine, protection des documents confidentiels. | L’auteur qui signe le contenu reste responsable de son exactitude ; le modèle propose, la personne valide. |
| Répondre à partir de sources | Corpus de référence identifié, daté et tenu à jour, règles d’accès aux documents, outil de recherche et modèle génératif. | Réponses vérifiées sur un jeu de questions de test : passages cités pertinents, absence d’ajout non fondé, refus de répondre hors du corpus. | Collecte, nettoyage et mise à jour des sources, indexation, gestion des permissions, tests réguliers. | Le propriétaire de chaque source en garantit la validité ; une équipe suit la fidélité des réponses et corrige le corpus. |
| Exécuter des actions | Liste fermée des outils et actions permis, identités et droits propres au système, journal des actions, procédure d’arrêt. | Actions conformes aux autorisations sur des scénarios de test, validation humaine effective avant les actions importantes, journal complet et lisible. | Intégration avec les outils existants, sécurité et gestion des droits, supervision humaine, tests d’attaque et maintenance des garde-fous. | Le responsable du service fixe les actions permises ; une personne approuve les actions à conséquence ; la sécurité contrôle les droits sur tout le cycle de vie. |
Nuances à garder en tête
- Une réponse fluide ne prouve pas son exactitude.
- Le RAG ne garantit pas une réponse correcte : il dépend des sources, de la recherche et de la génération.
- La présence d’outils ne suffit pas à démontrer une autonomie utile.
- Le caractère multimodal concerne les types de contenus traités (texte, image, son, vidéo), pas un niveau d’intelligence.
- Le prompting guide l’interaction avec un modèle ; le fine-tuning (ajustement) modifie les paramètres du modèle lui-même.
- La qualité, les permissions et la sécurité se traitent sur tout le cycle de vie, de la conception au retrait du service.
Appliquer à mon projet
Décrivez votre projet sans utiliser le mot IA. Précisez le bénéficiaire, le travail attendu, les ressources nécessaires, le résultat vérifiable et les actions éventuellement autorisées. Identifiez ensuite les capacités pertinentes.
Exemple corrigé (fictif)
- Bénéficiaire :
- Les agents d’un guichet qui répondent aux questions des usagers sur une démarche.
- Travail attendu :
- Retrouver rapidement le bon passage des textes de référence et proposer une explication simple, que l’agent relit avant de répondre.
- Ressources nécessaires :
- Les textes officiels de la démarche, datés et tenus à jour par le service propriétaire ; les questions fréquentes déjà posées.
- Résultat vérifiable :
- Sur 50 questions de test préparées par le service, l’explication cite le bon passage et n’ajoute aucune condition absente des textes.
- Actions autorisées :
- Aucune action automatique : le système propose, l’agent décide et répond lui-même.
Analyse : L’intention principale est « répondre à partir de sources ». Un service de type RAG est plausible ; un moteur de recherche documentaire bien configuré, sans génération, peut aussi suffire si les textes sont courts. Aucun agent n’est nécessaire puisqu’aucune action n’est exécutée. Le choix final dépend du volume de textes, des moyens disponibles et des conséquences d’une erreur pour l’usager.
Grille d’autoévaluation
- Besoin explicite — Le bénéficiaire et le travail attendu sont-ils décrits sans jargon technique ?
- Choix technique justifié — La capacité retenue découle-t-elle du besoin, et une solution plus simple a-t-elle été envisagée ?
- Sources ou données identifiées — Sait-on d’où viennent les données ou documents, qui les tient à jour et qui peut y accéder ?
- Critères de réussite vérifiables — Peut-on dire, à partir d’un test, si le résultat est acceptable ?
- Responsabilités et limites précisées — Sait-on qui vérifie, qui valide, et ce que le système n’a pas le droit de faire ?
Exercice personnel : rien n’est enregistré ni transmis.
Votre projet consulte des sources ou exécute des actions ? Suite : Encadrer les accès et les actions d’un système d’IA.
Un terme reste obscur ?
Prompt Guide · Ressource externe · Conditions non confirmées
Pourquoi cette ressource ici ? Le glossaire de Prompt Guide complète cette fiche pour le vocabulaire de la formulation des demandes.
À préparer : Recherchez dans la page le terme exact (par exemple « few-shot » ou « contexte ») : aucun lien direct vers un terme n’est confirmé.
Transmettez uniquement des informations que vous êtes autorisé à partager avec ce service externe.
Autres besoins : mieux formuler mes demandes à l’IA