Theme 1
Utilisation des IA génératives – Forces et faiblesses
L’intelligence artificielle existe depuis plusieurs décennies et est une science vaste, englobant les méthodes de raisonnement symbolique et les techniques d’apprentissage automatique. Ces dernières, comprenant les problèmes de classification et les problèmes génératifs, ont bénéficié ces dernières années des avancées du matériel informatique pour effectuer des calculs parallèles intenses sur de très grands volumes de données. Cela a permis aux data scientists d’imaginer et d’expérimenter de nouvelles méthodes et d’aborder de nouveaux domaines. Les dernières IA génératives fonctionnent remarquablement bien, au-delà même des attentes de leurs concepteurs, sans que personne ne semble vraiment comprendre pourquoi elles fonctionnent si bien. Elles sont désormais accessibles au grand public et peuvent être utilisées pour une grande variété de cas d’usage, et parfois pour des tâches qui étaient auparavant réservées aux humains.
Cette situation soulève un certain nombre de questions.
-
Ces IA apprennent à partir de données produites par des humains, ce qui inclut aussi leur mauvais côté, leurs biais, leurs excès. Nous parlerons alors d’IA elles-mêmes biaisées, qui hallucinent, qui mentent. Comment avoir confiance ?
-
Ces IA nécessitent d’énormes quantités de données d’entraînement. Il y a peu d’acteurs capables de collecter, stocker et traiter ces quantités, alors que tout le monde aimerait bénéficier des services d’IA. Dans quelle mesure est-ce un problème ? Quelle serait la prochaine étape ?
-
Ces IA sont utilisées pour des tâches qui semblaient réservées aux compétences humaines (art, humour, etc.) Est-ce déjà fonctionnel ? Bientôt ? Jamais ?
-
Puisque ces machines ont la capacité d’apprendre, l’homme a-t-il encore besoin d’apprendre ? Quel impact sur l’éducation ?
Documentation
-
Découvrir ChatGPT
- V. Nouyrigat. Dans la tête de l’IA la plus puissante du monde. Epsiloon 2021
-
À propos des biais
-
Welbl et al., Challenges in Detoxifying Language Models. Findings 2021
-
Nadeem et al., StereoSet: Measuring stereotypical bias in pretrained language models. ACL-IJCNLP 2021
-
Hall et al., A Systematic Study of Bias Amplification. NeurIPS 2022 Workshop
-
-
À propos des hallucinations et mensonges
-
Hallucination in artificial intelligence Wikipedia, consulté le 14 nov. 2024
-
Nouyrigat, IA: Et maintenant, elle nous ment. Epsiloon 2024
-
Meinke et al., Frontier Models are Capable of In-context Scheming. Apollo Research 2024
-
-
À propos de la taille des jeux de données
-
Villalobos et al. Position: Will we run out of data? Limits of LLM scaling based on human-generated data. PMLR 2024
-
Hoffmann et al. Training compute-optimal large language models. NIPS 2024
-
-
À propos des créations de l’esprit
-
Agudo et al. Assessing Emotion and Sensitivity of AI Artwork. Frontiers in Psychology 2022
-
Hong et al. Artificial Intelligence, Artists, and Art: Attitudes Toward Artwork Produced by Humans vs. Artificial Intelligence. ACM 2019
-
Gorenz et al. How funny is ChatGPT? A comparison of human- and A.I.-produced jokes. PLOS One 2024
-
-
À propos de l’IA dans l’éducation
-
ChatGPT: Sciences Po fixe des règles et lance une réflexion sur l’IA dans l’enseignement supérieur. Sciences Po 2023, consulté le 14 nov. 2024
-
Chevalier et al. L’intelligence artificielle générative dans l’enseignement supérieur, une course perdue d’avance ? AIM 2024
-
Les intelligences artificielles (IA) en éducation: comprendre pour agir. Réseau Canopé 2024
-
Conseils pour une lecture rapide et efficace
La documentation proposée peut être vaste, longue et complexe. Ne paniquez pas. Nous ne pouvons pas espérer avoir le temps et l’expertise pour examiner chaque article en détail pendant la séance.
Le corps d’un article scientifique est composé d’arguments, de démonstrations et de preuves, ce qui est obligatoire pour d’autres scientifiques, mais peut-être pas pour le grand public. C’est pourquoi un résumé (Abstract) est fourni. Il donne une idée générale du sujet et des résultats. Cela suffit pour un premier niveau de lecture. (Un second niveau de lecture se concentrera sur les sections Introduction et Conclusion. Et un troisième approfondira le corps de l’article.)
Donc, organisez votre temps de lecture pour couvrir la diversité des documents, sans essayer d’entrer trop dans les détails de chacun.
Lectures pour aller plus loin
-
Intelligence Artificielle: pour un usage raisonné et critique de l’IA dans les Grandes écoles. Conférence des Grandes Écoles 2025
```