L’IA ne se construit pas seulement avec des informaticiens

Imaginons une startup ivoirienne qui souhaite développer un assistant intelligent capable d'aider les élèves à résoudre leurs exercices de mathématiques.

L'idée est simple : un élève photographie un exercice, pose une question et reçoit une explication adaptée à son niveau. L'assistant ne doit pas seulement donner la bonne réponse. Il doit aider l'élève à comprendre son erreur, lui proposer des indices et l'accompagner progressivement vers la solution.

Pour réaliser cette application, la startup peut aujourd'hui accéder à des modèles d'intelligence artificielle performants, utiliser des services cloud et mobiliser des développeurs capables de construire une interface conviviale.

Ces moyens sont importants. Mais suffisent-ils ?

Qui va identifier les programmes scolaires applicables en Côte d'Ivoire ? Qui va organiser les notions de mathématiques selon les niveaux et les progressions pédagogiques ? Qui va collecter les exercices, vérifier les corrigés, formaliser les méthodes d'explication et identifier les erreurs fréquentes des élèves ?

Qui va déterminer ce que l'assistant doit faire lorsqu'un élève ne comprend pas une consigne, applique une mauvaise méthode ou propose une réponse incorrecte ?

Et surtout, qui va vérifier que les explications produites par l'application sont mathématiquement exactes, pédagogiquement adaptées et conformes aux objectifs d'apprentissage ?

Ces questions révèlent une réalité essentielle : derrière une application d'intelligence artificielle se trouve souvent tout un travail de préparation, d'organisation et de validation des connaissances.

Ce travail mobilise des compétences qui ne sont pas nécessairement celles des développeurs informatiques ou des spécialistes des modèles d'IA.

Ce sont ces compétences, souvent peu visibles, que nous proposons d'examiner.

Les modèles contemporains d'intelligence artificielle possèdent des capacités remarquables de compréhension et de génération du langage. Ils peuvent expliquer des concepts, résoudre de nombreux problèmes et produire des réponses dans des domaines très variés.

Il serait donc excessif d'affirmer que toute application spécialisée nécessite la constitution préalable d'une base de connaissances particulière.

Un modèle généraliste peut déjà expliquer de nombreuses notions mathématiques sans qu'une startup ait à reconstruire l'ensemble des connaissances correspondantes.

Mais les exigences changent lorsque l'application doit fonctionner dans un environnement précis.

Un assistant pédagogique destiné aux élèves ivoiriens peut devoir respecter les programmes nationaux, distinguer les niveaux scolaires, appliquer certaines progressions pédagogiques et mobiliser des exercices validés.

Un assistant administratif peut devoir utiliser les textes réglementaires en vigueur, tenir compte des procédures applicables et identifier les conditions particulières d'une démarche.

Un assistant agricole peut devoir adapter ses recommandations aux cultures, aux sols, aux saisons et aux pratiques locales.

Dans ces situations, les connaissances générales du modèle peuvent être insuffisantes, inadaptées ou difficiles à contrôler.

Il devient alors nécessaire d'organiser l'accès à des connaissances sectorielles fiables et contextualisées.

Cela peut passer par des documents qualifiés, des bases de données, des référentiels de concepts, des règles métier ou des services spécialisés.

L'enjeu n'est pas de remplacer les capacités du modèle, mais de les compléter par des ressources pertinentes et des mécanismes permettant de mieux contrôler leur utilisation.

Un pays dispose d'un patrimoine considérable de connaissances.

Celles-ci se trouvent dans les universités, les centres de recherche, les administrations, les entreprises, les établissements scolaires, les organisations professionnelles et l'expérience quotidienne des spécialistes.

Elles prennent des formes multiples : documents, bases de données, procédures, normes, méthodes, études scientifiques, pratiques professionnelles et savoir-faire.

Mais l'existence de ces connaissances ne signifie pas qu'elles peuvent être immédiatement mobilisées par une application d'IA.

Certaines sont dispersées dans des milliers de documents. D'autres sont insuffisamment numérisées ou documentées. Certaines reposent sur des pratiques professionnelles que leurs détenteurs n'ont jamais eu besoin de formaliser.

D'autres encore sont soumises à des restrictions d'accès, à des droits d'utilisation ou à des exigences particulières de validation.

Pour les rendre exploitables, il peut être nécessaire de les identifier, de les recueillir, de les organiser, d'expliciter leurs significations, de documenter leurs relations et de vérifier leurs conditions d'application.

Prenons une procédure administrative.

Le texte réglementaire peut être disponible sous forme de PDF. Mais si l'on souhaite construire un assistant capable d'accompagner un usager, il faut parfois aller plus loin : identifier les conditions d'éligibilité, les pièces justificatives, les exceptions, les étapes de traitement et les responsabilités institutionnelles.

Ces informations doivent être suffisamment explicites pour que l'application puisse les retrouver et les utiliser correctement.

Cette distinction est fondamentale pour réfléchir aux capacités nationales d'intelligence artificielle.

Lorsque l'on évoque les compétences en intelligence artificielle, plusieurs métiers viennent immédiatement à l'esprit : développeur, data scientist, ingénieur en apprentissage automatique, spécialiste des modèles ou expert en infrastructures de calcul.

Ces métiers sont essentiels.

Mais ils ne représentent qu'une partie des compétences mobilisables dans les projets d'IA spécialisés.

D'autres disciplines interviennent dans la transformation des connaissances.

• L'ingénierie documentaire permet d'identifier les sources, d'organiser les documents, de préserver leurs références et de préparer des corpus exploitables.
• L'ingénierie des connaissances s'intéresse à l'acquisition et à la formalisation des savoirs. Elle permet notamment de transformer les explications d'un expert en concepts, règles, méthodes et représentations structurées.
• L'ingénierie ontologique et sémantique contribue à définir les concepts d'un domaine, leurs significations et les relations qui les unissent.
• L'ingénierie des données organise les données et les mécanismes nécessaires à leur transformation, à leur qualité et à leur mise à disposition.
• L'ingénierie cognitive aide à comprendre les activités intellectuelles humaines afin de concevoir des systèmes d'assistance adaptés aux utilisateurs.
• L'ingénierie pédagogique et sectorielle apporte les connaissances et méthodes propres aux domaines d'application : éducation, santé, agriculture, administration, industrie ou justice.
• La curation et la gouvernance des connaissances permettent de vérifier les ressources, de suivre leurs versions, de gérer leur provenance et de maintenir leur qualité dans le temps.
• Enfin, l'évaluation des systèmes d'IA métier permet de vérifier que les applications mobilisent correctement les connaissances et produisent des comportements conformes aux exigences du domaine.

Ces huit familles constituent une proposition de classification fonctionnelle issue d'un travail de réflexion sur les capacités nécessaires à l'IA sectorielle.

Elles ne correspondent pas nécessairement à huit métiers distincts ni à une nomenclature professionnelle officiellement reconnue.

Leur intérêt est de rendre visibles les différentes fonctions qui doivent être assurées, selon la nature et la complexité des projets.

L'une des conséquences les plus intéressantes de cette analyse concerne les professions existantes.

Un documentaliste possède des compétences en organisation, qualification et traçabilité de l'information.

Un enseignant maîtrise des connaissances disciplinaires, des méthodes pédagogiques et des mécanismes d'évaluation.

Un juriste sait interpréter des textes, identifier des conditions d'application et distinguer les règles générales des exceptions.

Un agronome possède des connaissances spécialisées sur les cultures, les pratiques agricoles et leurs conditions d'application.

Un statisticien sait organiser des données, contrôler leur qualité, documenter des indicateurs et interpréter des résultats.

Ces professionnels ne sont pas nécessairement des spécialistes des technologies d'intelligence artificielle.

Pourtant, leurs compétences peuvent devenir déterminantes dans la construction d'applications sectorielles.

Il ne s'agit pas de considérer qu'ils peuvent immédiatement exercer toutes les fonctions d'ingénierie des connaissances.

Des formations complémentaires peuvent être nécessaires pour apprendre à formaliser les savoirs, préparer des corpus pour les modèles de langage, concevoir des référentiels ou participer à l'évaluation d'applications intelligentes.

Mais cette perspective ouvre une voie importante : développer les compétences nationales en IA ne consiste pas uniquement à former de nouveaux informaticiens. Cela peut aussi consister à spécialiser des professionnels qui maîtrisent déjà les connaissances de leur domaine.

Un enseignant peut devenir un acteur essentiel de la conception d'assistants pédagogiques.

Un juriste peut participer à la construction de référentiels de connaissances réglementaires.

Un agronome peut contribuer à la production de services de connaissances agricoles.

Un documentaliste peut se spécialiser dans la préparation et la gouvernance de patrimoines documentaires destinés à l'IA.

Ces évolutions ne nécessitent pas nécessairement de créer autant de nouvelles professions. Elles peuvent prendre la forme de spécialisations, de profils hybrides ou d'équipes interdisciplinaires.

Revenons à notre startup éducative.

Pour développer un assistant pédagogique fiable, elle devra mobiliser plusieurs fonctions.

Les enseignants et spécialistes pédagogiques pourront définir les exigences d'apprentissage et valider les contenus.

Les spécialistes documentaires pourront organiser les programmes, cours, exercices et corrigés.

Les ingénieurs des connaissances pourront formaliser les notions, méthodes et relations utiles.

Les développeurs et ingénieurs IA pourront construire les mécanismes permettant à l'application de retrouver et d'utiliser ces ressources.

Les spécialistes de l'évaluation pourront concevoir des tests permettant de vérifier les explications et les comportements de l'assistant.

Dans une petite équipe, plusieurs compétences peuvent être réunies chez un même professionnel. Certaines expertises peuvent être mobilisées ponctuellement ou partagées entre plusieurs projets.

L'essentiel est de comprendre quelles fonctions doivent être couvertes et comment organiser leur coopération.

Cette logique s'applique à de nombreux projets d'IA métier.

La réussite ne dépend pas uniquement de la puissance du modèle choisi. Elle dépend également de la qualité des connaissances mobilisées, des compétences disponibles pour les préparer et de la capacité à vérifier leur utilisation.

Cette réflexion prend une portée particulière lorsqu'on passe de l'échelle d'une startup à celle d'un pays.

Les stratégies nationales d'intelligence artificielle s'intéressent légitimement aux infrastructures, aux données, aux modèles, à la recherche, à la formation et aux conditions réglementaires.

Mais une question complémentaire mérite d'être posée : un pays dispose-t-il des compétences et des organisations capables de transformer les connaissances de ses différents secteurs en ressources exploitables par l'IA ?

Cette capacité peut concerner les programmes scolaires, les connaissances agricoles, les procédures administratives, les référentiels techniques ou les ressources scientifiques.

Elle ne suppose pas nécessairement de centraliser toutes les connaissances dans une infrastructure unique.

Elle peut reposer sur des équipes sectorielles, des entreprises spécialisées, des laboratoires, des institutions publiques et des services mutualisés.

Elle peut également créer des opportunités économiques pour des prestataires capables d'accompagner la constitution, la structuration, la validation et la maintenance de patrimoines de connaissances.

L'ingénierie des connaissances apparaît ainsi non seulement comme un ensemble de compétences professionnelles, mais aussi comme une capacité productive susceptible de soutenir le développement d'applications d'IA dans plusieurs secteurs.

Son importance doit être appréciée selon les usages, les exigences de qualité et les ressources disponibles.

L'intelligence artificielle ouvre des perspectives importantes pour la transformation de l'économie, des services publics, de l'éducation et des activités professionnelles.

Pour en tirer parti, il est nécessaire de disposer de compétences technologiques solides.

Mais il faut également reconnaître le rôle des professions qui produisent, organisent, interprètent et valident les connaissances.

Les documentalistes, enseignants, juristes, ingénieurs métier, chercheurs, statisticiens et nombreux autres spécialistes peuvent contribuer à cette transformation.

La question n'est donc pas d'opposer les informaticiens aux autres professionnels.

Elle est de comprendre comment leurs compétences peuvent se compléter.

Cette perspective invite à élargir les cartographies de compétences, à diversifier les parcours de formation et à organiser de nouvelles formes de coopération entre métiers.

Car derrière les applications d'intelligence artificielle les plus utiles, il n'y a pas seulement des modèles et des algorithmes.

Il y a aussi des connaissances, des méthodes et des femmes et des hommes capables de les rendre exploitables.

Cet article inaugure la collection « Les compétences invisibles de l'intelligence artificielle », consacrée aux métiers, méthodes et capacités nécessaires à la construction d'applications intelligentes adaptées aux besoins des secteurs d'activité.

Prochain article : « Derrière un assistant IA pour élèves, toute une industrie de la connaissance ».