L’intelligence Artificielle

Pr Adnane TALHA
Introduction à l’intelligence
Artificielle
Introduction

 L’objet de l’IA est de reconstituer des raisonnements et des actions

intelligentes, à l'aide de moyens artificiels, des ordinateurs ou des
machines intelligentes.
 Dans tous les secteurs d’activité, les techniques de l’IA tendent à
élargir le champ d’action des machines, pour leur donner la
possibilité de voir, d’entendre, de raisonner, d’agir, etc.
 L’IA a prouvé son importance, en essayant de résoudre les
différents problèmes pouvant être engendrés.
 DÉFINITIONS DE L’IA

Plusieurs définitions ont été attribuées à l’intelligence

Artificielle:
Définition 1: L'étude de comment programmer les
ordinateurs pour qu'ils réalisent des tâches pour lesquelles
les êtres humains sont actuellement meilleurs. (RICH &
KNIGHT 1991).

 Il s’agit, de simuler le raisonnement humain pour faire

résoudre des problèmes complexes par un ordinateur.
 DÉFINITIONS DE L’IA

 John Nilsson : Professeur en ingénierie informatique à l’université de Stanford et

l’un des pionniers de l’intelligence informatique définit l'intelligence artificielle
comme étant l'activité qui vise à rendre les machines intelligentes.

 Max Tegmark : Un autre professeur de l’institut MIT définit l'intelligence

artificielle tout simplement comme étant une intelligence qui n’est pas
biologique
DÉFINITIONS DE L’IA

 l’IA en management signifié l’utilisation de ressources artificielles

pour produire des biens et des services réduisant considérablement
les coûts de fabrication et en limitant les coûts de la main d’œuvre.

 L’entreprise qui investit dans l’IA, exploite des agents non-humains

(souvent appelés robots), efficaces, infatigables et dociles ;
une meilleure rentabilité.
 DÉFINITIONS DE L’IA

 Données
Les données font référence à des valeurs structurées et non structurées
telles que des nombres, du texte, des images et des vidéos.
Les systèmes d’IA tirent leur valeur du traitement de quantités massives
de données et sont généralement nécessaires pour traiter ces données
en premier lieu.
 Algorithme
Un algorithme est un ensemble de règles ou d’instructions qu’une
machine (et en particulier un ordinateur) suit pour atteindre un objectif
particulier.
Processus d’IA
 Les Cas d’utilisation de IA:

 1er Cas d’utilisation : Prédiction

Après une phase d’apprentissage,
l’agent peut apprendre à prédire
par exemple la nature des images,
le score d’un match ou encore le
prix d’une maison.
Il faut noter qu'il n'y aura jamais
une prédiction à 100% et qu'à 96%,
il est sûr que l’image en entrée est
une image d'une pomme
 Les Cas d’utilisation de IA:

 2ème Cas d’utilisation : Classification

Le deuxième cas d’utilisation de l’IA est la
classification de l’intégralité des images de la BD en
différentes classes.
la classification est une branche de l’intelligence
artificielle qui permet de classer des individus dans
des groupes. C’est un processus pour prédire la
classe à laquelle appartient un ensemble
d’observations.
 Historique de l’intelligence artificielle

 Canard de Vaucanson 1738

Le Canard Digérateur est un automate créé par Jacques de Vaucanson en 1738.
Ce canard artificiel de cuivre doré boit, mange, cancane, barbote et digère
comme un vrai canard, dont les ailes étaient représentées, os par os, d'un
mécanisme identique à ceux des vrais oiseaux.
 Historique de l’intelligence artificielle

 Le test de TURING (article 1950)

Ce test consiste à mettre un humain en confrontation verbale à l'aveugle avec un
ordinateur et un autre humain. Il considérait la question :
Les machines peuvent-elles penser ?
La réponse proposée par TURING dans son article est :
Oui, je crois qu’il sera possible, dans une cinquantaine d’années, de programmer des
ordinateurs pour les faire jouer au jeu de l’imitation.
 Dans les années 60 : Arthur Samuel a développé une intelligence artificielle
capable de jouer au jeu de dames en auto apprentissage.
 C‘était une révolution à l'époque car c'était la première fois qu'une intelligence
artificielle a battu le champion du monde américain dans ce domaine.
 Historique de l’intelligence artificielle

Les années 1970

Les investissements ont diminué, notamment en raison de l'optimisme excessif dont les
chercheurs ont fait preuve en sous-estimant les difficultés à obtenir les résultats qu'ils
promettaient.
Cette période est connue aussi sous le nom de : l’hiver de l’intelligence artificielle

Les années 1980 et 1990

Dans les années 80 : Il y avait la naissance du concept de machine Learning qui est un petit peu
différent de la programmation ordinaire. Cette technique de programmation utilise des probabilités
statistiques pour donner aux ordinateurs la capacité d’apprendre par eux-mêmes sans
programmation explicite.
 Historique de l’intelligence artificielle

 Dans les années 90 : IBM conçoit à l’aide du concept de machine

Learning, le logiciel DEEP BLUE qui a battu KASPAROV le champion du
monde des échecs.
 Dans les années 2000-2010 : Des nouveaux concepts de type « Learning »
ont été dérivé du concept machine Learning mais beaucoup plus
profonds avec la mise en place de réseaux de neurones.
 La troisième vague d’évolution de l’IA (2020-~)
Durant cette phase, il y avait une explosion des technologies qui ont
contribué à l’émergence de l’intelligence artificielle.
On parle alors de la troisième phase de l’évolution de l’intelligence
artificielle ou encore l’ère de : Big Data, le Cloud et le GPU
Historique de l’intelligence artificielle
 Importance de l’IA

L’intelligence artificielle a prouvé son importance, en essayant de résoudre

les problèmes complexes, et aide à prendre les décisions, car elle est
concernée par :
 L’acquisition et l’utilisation des connaissances,
 La communication de l’information,
 La collaboration.
 Importance de l’IA

Les questions posées et auxquelles il fallait trouver des

solutions sont les suivantes :
comment résoudre des problèmes ?
 comment développer des langages, etc. ?
 comment construire des machines intelligentes ?
 Pourquoi des machines intelligentes ?

Une machine est dite intelligente, si elle reproduit le

comportement humain dans n’importe quel domaine.

On construit des machines intelligentes, parce qu’elles

offrent de nouvelles possibilités et donnent de meilleures
solutions aux problèmes.
 Domaines d’application
L’intelligence artificielle s’applique dans de différents secteurs et domaines. Nous
pouvons citer les principaux :
 La vision artificielle : analyse de texte, d’images,
 La robotique : génération de plans,
 Les machines autonomes : perception, interprétation, décision, action,
 Le langage naturel : traduction, compréhension, synthèse,
 La démonstration de théorèmes,
 Les jeux,
 Médecine,
 L’apprentissage automatique (RNA, Deep learning, …).
 …
 Quelques techniques de l’IA

Dans tous les secteurs d’activité, les techniques de l’IA tendent à élargir le champ d’action des
machines, en leur donnant la possibilité de voir, d’entendre, de raisonner, de parler, d’agir, etc. C'est-
à-dire des systèmes qui possèdent des caractéristiques associées avec l’intelligence dans le
comportement humain :
 Le langage de compréhension,
 L’apprentissage,
 Le raisonnement,
 Les solutions des problèmes, etc.
Répondant aux questions :
• Comment le cerveau humain fonctionne-t-il ?
• Est-ce qu’on peut extraire l’intelligence humaine vers des machines ?
• Des machines peuvent-elles vraiment être intelligentes ?
 Machine Learning

 L'apprentissage automatique ou Machine

Learning est un sous-domaine de l'IA. Il s'agit d'un
programme ou d'un système qui crée un modèle
à partir de données existantes.

 Plus précisément, l'apprentissage automatique

donne à l'ordinateur la capacité d'apprendre
sans programmation explicite.
 Types d’apprentissage automatique

Les modèles de machine learning se répartissent en trois catégories principales.

 Apprentissage supervisé : également connu sous le nom de machine learning
supervisé, se définit par l’utilisation de jeux de données étiquetés pour entraîner des
algorithmes à classer des données ou à prédire des résultats avec précision.
 Apprentissage non supervisé : également connu sous le nom de machine learning
non supervisé, utilise des algorithmes de machine learning pour analyser et regrouper
des jeux de données non étiquetées (sous-ensembles appelés clusters)
 Apprentissage par renforcement : est un modèle de machine learning similaire à
l’apprentissage supervisé, à la différence que l’algorithme n’est pas entraîné sur des
données d’échantillon. Ce modèle apprend au fur et à mesure en procédant par
essais et erreurs.
 Types d’apprentissage automatique

 En général, deux principaux types d'algorithmes de ML sont utilisés aujourd'hui : l'apprentissage supervisé et
l'apprentissage non supervisé. La différence entre les deux se définit par la méthode employée pour traiter les
données afin de faire des prédictions.
Avec ce modèle, un data scientist sert de guide et enseigne à l’algorithme les
Machine Learning supervisée conclusions qu’il doit tirer. Tout comme un enfant apprend à identifier les fruits en
les mémorisant dans un imagier, en apprentissage supervisé, l’algorithme apprend
grâce à un jeu de données déjà étiqueté et dont le résultat est prédéfini.

Le ML non supervisé utilise une approche plus indépendante dans laquelle un ordinateur apprend à
identifier des processus et des schémas complexes sans un quelconque guidage humain constant et
rigoureux.
Machine Learning non supervisée Le ML non supervisé s’apparente à un enfant qui apprend à identifier un fruit en observant des
couleurs et des motifs, plutôt qu’en mémorisant les noms avec l’aide d’un enseignant. L’enfant cherche des
similitudes entre les images et les sépare en groupes, en attribuant à chaque groupe sa propre étiquette.
 Types d’apprentissage automatique

Un algorithme d'apprentissage semi−supervisé invite la machine à analyser les données étiquetées

afin de déterminer des propriétés corrélatives qui pourraient être appliquées aux données non
L'apprentissage semi- étiquetées. Ce type de modèle constitue une solution envisageable lorsqu'on utilise de gros
supervisé volumes de données brutes et non structurées.
(Semi-Supervised Learning)

Dans l'apprentissage supervisé, la machine reçoit la clé de réponse et apprend en trouvant des
corrélations entre tous les résultats corrects. Le modèle d'apprentissage par renforcement n'inclut
L'apprentissage par pas de clés de réponse, mais fournit à la place des actions admissibles, des règles et des situations
renforcement finales potentielles. Lorsque le but voulu de l'algorithme est fixe ou binaire, les machines peuvent
apprendre par l'exemple.
(Reinforcement Dans les cas où le résultat souhaité peut varier, le système doit apprendre sur la base de l'expérience
Learning)
et de la récompense. Dans les modèles d'apprentissage par renforcement, la « récompense » est
digitale et programmée dans l'algorithme comme un élément que le système cherche à collecter.
 Machine Learning

Un certain nombre d’algorithmes de machine learning sont couramment utilisés.

Notamment :
 Réseaux neuronaux
 Régression linéaire
 Régression logistique
 Partitionnement
 Arbres de décisions
 Forêts d’arbres décisionnel
 Deep Learning

 L'apprentissage profond (Deep Learning) est un type d'apprentissage automatique qui

permet de traiter des problèmes beaucoup plus complexes que ceux abordés par
l'apprentissage automatique. Ceci est dû à l’usage des réseaux de neurones artificiels.
 Les réseaux neuronaux sont inspirés du cerveau humain et peuvent apprendre à faire
des tâches et donner des prédictions en traitant les données.
 Les modèles d'apprentissage profond peuvent être divisés en deux types :
 Les modèles discriminatifs : est un type de modèle qui est utilisé pour classer ou prédire les
étiquettes des données.
 Les modèles génératifs : en plus de sa capacité de prédire ,il peut également générer une
nouvelle image à partir des données
 L’intelligence artificielle générative

 L’IA Générative est un sous domaine de l’apprentissage profond qui crée de nouveaux
contenus à base de ce qu'elle a appris du contenu existant.
 L'IA générative utilise des réseaux neuronaux artificiels et plus précisément un modèle
génératif pour traiter des vastes données non structurés.
 L’intelligence artificielle générative

Une deuxième caractéristique de L'IA générative par rapport à l’IA classique c’est qu’elle
permet de créer des ponts entre les différents domaines tels que : le traitement du langage
naturel ou le domaine de l'imagerie.
 On part d'un texte pour faire une vidéo,
 d'une vidéo pour faire un podcast
 faire des slides à partir d’un fichier audio.
 L’intelligence artificielle générative

Exemples d’usages
 Création d'Images : des modèles comme DALL-E par Open AI ou Midjourney, peuvent
générer des images à partir de descriptions textuelles.
 Génération de Musique : des algorithmes comme ceux développés par Amper Music
ou Jukedeck peuvent composer de la musique originale en fonction de certains
paramètres définis par l'utilisateur.
 Synthèse Vidéo : des technologies comme celles développées
par Synthesia permettent de créer des vidéos réalistes en générant des avatars
numériques capables de parler et de bouger comme des humains.
 IA vs IA générative

 Il s'agit d'IA lorsque la sortie est un nombre, une probabilité ou une

classe, par exemple : spam ou non-spam, …etc.

 Il s'agit d’IA générative lorsque le résultat est du langage naturel, de

la parole , vidéo ou, une image par exemple.
Un grand modèle de langage (LLM)

 Les LLM sont des modèles d'algorithmes de "deep learning", qui sont
des sous-ensembles du machine learning (ML).
 Ces algorithmes sont des réseaux neuronaux artificiels qui
apprennent à partir de grandes quantités de données.
 Ces algorithmes complexes sont conçus pour fonctionner de manière
similaire au cerveau humain.
 Entraînés sur d'énormes volumes de données textuelles, les LLM
peuvent prédire la suite d'une phrase, traduire du texte, répondre à
des questions, et même générer du contenu original.
 Un grand modèle de langage (LLM)

 Les Large Language Models reposent sur une architecture révolutionnaire

appelée Transformer, introduite en 2017 par l’équipe de
 Cette architecture a remplacé les réseaux de neurones récurrents (RNN) et les LSTM (Long
Short Term Memory) grâce à son efficacité supérieure.
 Un Transformer se compose de deux parties principales :
 L’encodeur : traite et comprend le texte d’entrée en créant des représentations
contextuelles
 Le décodeur : génère le texte de sortie en utilisant les informations de l’encodeur
 Un grand modèle de langage (LLM)

Voici les principaux usages des LLM en entreprise :

 Production de textes : rédaction d’e-mails, d’articles de blog ou de tout autre type de contenu
de longueur moyenne à grande, en réponse à des prompts qui peuvent être réglés et peaufinés.
La génération augmentée par récupération (RAG) en est un excellent exemple.
 Synthèse de texte : capacité à résumer des articles longs, des reportages, des rapports de
recherche, la documentation d’entreprise et même l’historique client pour en faire des textes
détaillés, dont la longueur est adaptée au format de sortie.
 Assistants IA : chatbots conçus pour répondre aux questions des clients, accomplir des tâches et
fournir des informations détaillées en langage naturel, grâce à l’intégration d’une solution de
service client en libre-service.
 Génération de code : les LLM aident les développeurs à créer des applications, à détecter les
erreurs de codage et les problèmes de sécurité dans divers langages de programmation, et
même à « traduire » d’un langage de programmation à un autre.
Un grand modèle de langage (LLM)

Exemples d’usages
 Chatbots et assistants virtuels : les LLM, comme GPT développé par OpenAI,
peuvent être utilisés pour créer des assistants virtuels capables de tenir des
conversations naturelles avec les utilisateurs.
 Génération de contenu : Un exemple notable est la capacité de GPT-3 à rédiger
des essais, des poèmes, et même du code informatique.
 Traduction automatique : bien que des modèles spécialisés comme Google
Translate ou DeepL utilisent une combinaison de technologies, les LLM jouent un
rôle crucial en améliorant la précision et la fluidité des traductions.
Le traitement du langage naturel (NLP)

 Le traitement du langage naturel (NLP) est un sous-domaine de l'IA

qui permet aux machines de comprendre et de répondre à des
données textuelles ou vocales.
 Le NLP comprend plusieurs techniques et algorithmes permettant
aux machines de lire, comprendre et produire du langage humain.
 Contrairement aux LLM, qui sont des applications spécifiques de
modèles de langage, le NLP englobe une gamme plus large de
processus et de technologies.
Le traitement du langage naturel (NLP)

 Avantages du NLP
Il facilite la communication et la collaboration entre l'homme et la machine en
permettant l'usage quotidien du langage naturel. Cela offre des avantages dans
de nombreux secteurs et applications :
 Automatisation des tâches répétitives
 Amélioration de l'analyse des données et des informations
 Amélioration de la recherche
 Génération de contenu
 Le traitement du langage naturel (NLP)

Exemples d’usages
 Analyse d'écart: le NLP permet d'analyser un texte pour déterminer les informations qui
ne concorde pas avec les informations transmises. Par exemple, AutoLex utilise le NLP
pour réaliser une analyse d'écart entre les clauses d'un contrat et la stratégies d'une
entreprise intégré au Playbook.
 Extraction d'informations : le NLP est utilisé pour extraire des informations clés à partir de
textes volumineux, comme les noms de personnes, d'organisations, de lieux, et autres
entités.
 Reconnaissance vocale : des applications comme Siri d'Apple et Alexa d'Amazon
utilisent des technologies NLP pour comprendre le langage humain, permettant aux
utilisateurs de contrôler leurs appareils par la voix.
 L’AGENT CONVERSATIONNEL : CHATGPT

GPT :
 GPT (Generative Pre-trained Transformer) est un langage de type LLM (Large Language
Model) pour le traitement et la génération du langage naturel.
 Ces modèles sont des modèles d’apprentissage automatique qui sont extrêmement
efficaces lorsqu'il s'agit d'effectuer des tâches liées au langage : traduire, résumer des
textes, générer du contenu ou du code, etc.
 GPT utilise l’écriture prédictive du LLM pour donner des réponses cohérentes en utilisant
la suite de mots la plus probable selon le contexte.
 L’AGENT CONVERSATIONNEL : CHATGPT

 ChatGPT : C’est un mot-valise : “chat” qui fait référence à une

discussion en ligne et “GPT” qui signifie que ChatGPT a été
préalablement entraîné pour générer des réponses pertinentes
selon le contexte.
 L’AGENT CONVERSATIONNEL : CHATGPT

 GPT est un modèle de langage qui

sert de « cerveau » à l'agent
conversationnel ChatGPT et ce,
pour tenir des conversations fluides
et naturelles avec les utilisateurs.
 GPT analyse le contexte et génère
une réponse en utilisant les
connaissances acquises pendant
son apprentissage.
 L’AGENT CONVERSATIONNEL : CHATGPT

 Les stades d’évolution des modèles GPT

 Le concept GPT a été initialement introduit en juin 2018 avec la publication du premier
modèle, GPT-1, puis les autres modèles GPT-2, 3 et 4 sont dévoilés en 2019, 2020 et 2023
respectivement.
 La principale différence réside dans la taille ainsi que les paramètres qui sont passés de
117 millions dans GPT-1 à 1.76 Trillion dans GPT-4.
 GPT-4 peut recevoir maintenant des images ce qui constitue une amélioration majeure
puisque les versions précédentes de GPT acceptent uniquement les inputs sous forme
de texte.
L’AGENT CONVERSATIONNEL : CHATGPT

 GPT-4 est un modèle de langage de grande taille, avec des milliards de paramètres.
 C'est grâce à cette taille qu’il est capable de comprendre et de générer du texte avec
précision.
 Il a été pré-entraîné sur une vaste quantité de textes, allant des livres et des articles de
journaux aux sites web et aux réseaux sociaux, ce qui lui permet de comprendre une
grande variété de styles et de contextes linguistiques.
L’AGENT CONVERSATIONNEL : CHATGPT

Fonctionnement de ChatGPT
 Quand on fournit à ChatGPT un « prompt » (que ce soit une question ou des
instructions), Il prédit dans un premier temps le mot le plus probable qui doit
suivre en s’appuyant sur des millions de textes que le modèle a intégrés lors de
son apprentissage.
 Ensuite, il ajoute ce mot au prompt d’origine et renvoie l’ensemble à la case
d’entrée pour le repasser à la moulinette (GPT). Puis, un 2ème mot est ajouté et
ainsi de suite jusqu’un caractère spécial indique la fin de la réponse.
L’AGENT CONVERSATIONNEL : CHATGPT
L’AGENT CONVERSATIONNEL : CHATGPT

Les modes d’apprentissage de GPT

Les différents modes d’apprentissage de GPT qui existent
actuellement sont :
▪ Des Sources d’Internet
▪ De la Supervision Humaine
▪ La Supervision de IA
L’AGENT CONVERSATIONNEL : CHATGPT

Le mode d’apprentissage avec les sources d’internet.

ChatGPT utilise les transformers pour capturer les relations entre les
mots dans un texte en se basant sur de vastes quantités de données
textuelles provenant d'Internet, articles, journaux, livres, réseaux
sociaux, …etc
 L’AGENT CONVERSATIONNEL : CHATGPT

Le mode d’apprentissage avec supervision humaine :

 La méthode du supervision humaine fait appel à des annotateurs : Des personnes qui
rédigent un ensemble de questions (prompts) et leurs réponses.
 GPT est alors entrainée en se basant sur ces données (prompts/réponses) fournis par les
annotateurs jusqu’à ce qu’elle donne la réponse attendue à la demande (prompt) initiale. On
obtient ainsi une version améliorée de GPT →(notée ici GPT+)
 L’AGENT CONVERSATIONNEL : CHATGPT

Le mode d’apprentissage avec l’IA de récompense.

 Durant la dernière phase d’apprentissage, de nouvelles questions sont données à GPT+ sans
supervision humaine.
 Chaque réponse sera évaluée cette fois-ci par l’IA de récompense.
 Plus la note est haute, plus GPT+ apprends à valoriser la réponse.
 Sinon, la réponse sera marginalisée. A la fin de l’apprentissage, on obtient la version actuelle de :
ChatGPT.
Les chatbots
 Les chatbots

Qu’est-ce qu’un chatbot ?

 Un chatbot (contraction de "chat" et "robot") est un programme
informatique conçu pour simuler une conversation humaine via une
interface textuelle ou vocale. Il utilise des techniques de traitement du
langage naturel (NLP : Natural Language Processing) pour répondre aux
questions des utilisateurs, exécuter des tâches ou fournir des informations.
 Les chatbots peuvent être programmés pour répondre à des commandes
spécifiques (bots à base de règles) ou utiliser des modèles avancés
d’apprentissage automatique pour interpréter et répondre à des requêtes
complexes.
 Les chatbots

Types de chatbots
 Basés sur des règles :
 Fonctionnent avec des scénarios prédéfinis.
 Répondent uniquement aux questions ou phrases exactes programmées.
 Exemple : un chatbot FAQ (Frequently Asked Questions) avec des réponses fixes.
 Basés sur l’IA :
 Utilisent le traitement du langage naturel (NLP) et l’apprentissage automatique.
 S’améliorent avec le temps grâce à l'analyse des interactions.
 Exemple : un assistant personnel comme Alexa ou Google Assistant.
 Les chatbots

Cas d’utilisation des chatbots

1. Service client :
 Répondre aux questions fréquentes 24h/24 et 7j/7.
 Exemple : Support pour une entreprise e−commerce (statut de commande, politique de retour).
2. Enseignement et formation :
 Fournir des réponses aux questions des étudiants.
 Simuler des dialogues pour l’apprentissage des langues. Un chatbot éducatif pour les cours en ligne.
3. Santé :
 Aider à diagnostiquer les symptômes.
 Rappeler aux patients de prendre leurs médicaments ou de planifier leurs rendez−vous.
 Exemple : "Doctobot" qui guide les patients en fonction de leurs symptômes.
 Les chatbots
4. Marketing et commerce :
 Recommander des produits ou services.
 Faciliter les commandes directement via une conversation. Réservation pour des hôtels ou restaurants.
5. Banque et finance :
 Répondre aux questions sur les soldes, transactions ou prêts.
 Fournir des conseils financiers automatisés. Un assistant virtuel bancaire pour gérer les comptes.
6. Secteur public et administration :
 Automatiser les réponses sur les procédures administratives (passeports, impôts, etc.).
 Aider les citoyens à trouver rapidement les informations nécessaires.
 Exemple : chatbot du gouvernement marocain pour des démarches administratives.
7. Divertissement :
 Jouer à des jeux interactifs ou discuter de sujets d'intérêt. Exemple : chatbot humoristique ou ludique.
 Les chatbots

8. Réseaux sociaux :
 Engager les utilisateurs via des campagnes interactives.
 Répondre automatiquement aux commentaires ou messages directs.
 Exemple : chatbot sur Facebook Messenger pour un événement.
9. Recrutement :
 Filtrer les CV des candidats.
 Répondre aux questions fréquentes des candidats sur un poste.
10. Maintenance et industrie :
 Guider les techniciens en fournissant des instructions pour résoudre des problèmes techniques.
 Répondre aux questions sur les équipements ou machines.
 Exemple : chatbot pour un support technique dans une usine.
 Plateformes et applications Utiles de l’IA

Culture générale
 Google Scholar : Utilise des algorithmes d'IA pour aider les chercheurs à trouver des publications
académiques pertinentes et les dernières avancées dans divers domaines.
 JSTOR : Utilise l'IA pour recommander des articles académiques et des ressources culturelles en
fonction des intérêts de l'utilisateur.
 Google Arts & Culture ([Link] : Utilise l'IA pour rendre l'art et l'histoire
accessibles à travers des expériences immersives en ligne.
 Wolfram Alpha ([Link] : Un moteur de recherche alimenté par l'IA qui
répond à des questions générales, résout des problèmes et fournit des analyses de données.
 OpenAI ([Link] : Plateforme qui offre des modèles d'IA comme ChatGPT, qui peut
être utilisé pour explorer des sujets de culture générale, rédiger des articles et plus encore.
 Plateformes et applications Utiles de l’IA

Le Secteur d’enseignement
 Khan Academy (Khanmigo) : Utilise l'IA pour offrir un accompagnement personnalisé aux
étudiants, notamment avec l'outil "Khanmigo" qui aide à répondre aux questions de manière interactive.
Lien : [Link]
 Duolingo : Une application d'apprentissage des langues qui utilise l'IA pour personnaliser les leçons et
ajuster le contenu en fonction des progrès de l'utilisateur. Lien : [Link]
 Socrative : Plateforme permettant aux enseignants de créer des évaluations et des quiz automatisés,
avec des résultats analysés par l'IA pour ajuster l'enseignement. Lien : [Link]
 Edmodo : Utilise l'IA pour aider les enseignants à suivre les progrès des étudiants et personnaliser les
ressources pédagogiques. Lien : [Link]
 Coursera : Propose des cours en ligne sur l'IA et des applications pratiques. Lien :
[Link]
 Plateformes et applications Utiles de l’IA

Le Secteur de la santé
 IBM Watson Health : Utilise l'IA pour aider les professionnels de la santé à diagnostiquer des
maladies, recommander des traitements, et analyser de grandes quantités de données
médicales.
Lien : [Link]
 Ada Health : Une application de santé basée sur l'IA qui pose des questions aux utilisateurs pour
déterminer leurs symptômes et leur recommander des actions appropriées.
Lien : [Link]
 Babylon Health : Utilise l'IA pour fournir des consultations médicales via chat et analyser les
symptômes des patients pour fournir des recommandations en temps réel.
Lien : [Link]
 DeepMind Health : En partenariat avec le NHS, DeepMind utilise l'IA pour améliorer les
diagnostics médicaux et optimiser les processus dans les hôpitaux. Lien : DeepMind Health
 Plateformes et applications Utiles de l’IA

Les services publics

 Chatbot de l'ONMT (Office National Marocain du Tourisme) : Utilise l’IA pour fournir des
informations touristiques aux visiteurs internationaux, en répondant à leurs questions.
 SMART CITY Casablanca : Dans le cadre de l'initiative de ville intelligente, l'IA est intégrée pour la
gestion du trafic urbain et des services publics optimisés. Exemple : "Casa Busway" exploite l'IA
pour informer les utilisateurs des horaires en temps réel.
 Maroclear : La société dépositaire centrale des valeurs mobilières utilise des solutions d'IA pour
renforcer la cybersécurité et automatiser les processus de traitement des transactions
financières.
 Hmizate AI : Une plateforme de commerce électronique qui intègre des outils d'intelligence
artificielle pour personnaliser les recommandations d'achat et optimiser l'expérience utilisateur.
 Plateformes et applications Utiles de l’IA

Les services publics

 Solutions IA pour l'agriculture :
Des applications spécifiques sont utilisées pour
le suivi des cultures ou la prévision des récoltes, intégrées dans des
projets régionaux liés à l'agriculture intelligente.
 Morocco Digital :Un programme national pour la digitalisation des
services publics, en incluant l’IA dans la gestion des données et la
prestation de services.
 Système de gestion des citoyens et des demandes administratives : Des projets
utilisent des chatbots et des outils d’IA pour aider les citoyens dans
leurs démarches administratives en ligne.
 Plateformes et applications Utiles de l’IA

Secteur industriel
L'IA dans l'industrie permet d'optimiser la production, de prédire la maintenance et
d'améliorer la conception des produits.
 Siemens AI : Siemens utilise l'IA pour améliorer l'automatisation industrielle, la maintenance
prédictive et l'optimisation des chaînes de production.
 GE Digital : GE applique l'IA pour optimiser la performance industrielle, notamment dans
les secteurs de l'énergie, de l'aéronautique et de la fabrication.
 Bosch AI : Bosch met l'IA au service des industries pour automatiser et analyser des
données dans des domaines comme l'automobile, la fabrication et la gestion de
l'énergie.
 C3 AI : Cette plateforme propose des solutions d'IA pour l'optimisation des processus
industriels, la maintenance prédictive et l'amélioration de l'efficacité énergétique.
 Plateformes et applications Utiles de l’IA

Secteur Commercial (Vente, Marketing, Service Client, ...)

Dans le domaine commercial, l'IA aide à personnaliser les expériences d'achat, améliorer
les campagnes de marketing et optimiser les ventes.
 Salesforce Einstein : Salesforce propose une plateforme d'IA qui aide les entreprises à
prédire les besoins des clients, automatiser les tâches commerciales et personnaliser les
offres.
 HubSpot AI : HubSpot intègre l'IA dans ses outils (Marketing) pour aider les équipes
commerciales à automatiser les emails, prédire les prospects et optimiser les
campagnes marketing.
 Zoho CRM with Zia : analyse les données des clients pour fournir des recommandations
de vente, identifier des opportunités et prédire les comportements des clients. avec les
clients, répondre aux demandes courantes et automatiser le service client.
 Plateformes et applications Utiles de l’IA

 IBM Watson for Marketing : Cette plateforme d'IBM utilise l'IA pour analyser
les données des clients, automatiser la publicité et personnaliser les
campagnes marketing.
 Zendesk AI : Zendesk intègre des outils d'IA dans ses solutions de service
client pour améliorer l'assistance, automatiser les réponses aux demandes
courantes et prédire les besoins des clients.
 Plateformes et applications Utiles de l’IA

Voiture et Entretien
L'IA est utilisée pour l'automatisation des véhicules, la maintenance prédictive, et l'optimisation des
processus de fabrication dans l'industrie automobile.
 Tesla Autopilot : Tesla utilise l'IA pour le développement de ses systèmes de conduite autonome et
l'optimisation de la performance des véhicules.
 Waymo : La filiale de Google spécialisée dans la conduite autonome utilise l'IA pour créer des véhicules
entièrement autonomes.
 Mobileye : Fournisseur de technologies d'IA pour la conduite autonome et la sécurité des véhicules,
notamment pour la détection des obstacles et l’optimisation des trajets.
 CarMD : Une plateforme d'entretien automobile qui utilise l'IA pour fournir des diagnostics précis des
véhicules en analysant les codes d'erreur et en recommandant des réparations.
 Autel Robotics : Spécialisée dans les drones, cette entreprise développe des solutions d'IA pour
l'entretien de véhicules, notamment la gestion de la flotte et la maintenance prédictive.
 Plateformes et applications Utiles de l’IA

Autres
 Grammarly : Utilise l'IA pour aider les utilisateurs à améliorer leur écriture, avec des suggestions pour la
grammaire, le style, et le ton.
 ChatGPT (OpenAI) : Une IA conversationnelle qui peut être utilisée pour diverses applications allant de
la rédaction de texte à la résolution de problèmes, y compris dans l'éducation et le service client.
 Runway ML : Une plateforme d'IA pour la création de projets multimédias, permettant de générer des
vidéos, des images et d'autres contenus visuels via des algorithmes d’IA.
 Zapier : Utilise l'IA pour automatiser des workflows et intégrer des outils numériques afin de faciliter les
tâches quotidiennes en entreprise et dans d'autres domaines.
 OpenAI Playground : Permet d'expérimenter avec différents modèles de langage pour générer du
texte, répondre à des questions et créer des applications d'IA.
 TensorFlow : Plateforme d'IA open-source, utilisée pour développer des applications et des modèles
d'apprentissage automatique.
 AI for Good : Une initiative de l'UIT qui utilise l'IA pour résoudre des problèmes mondiaux comme la
pauvreté, les maladies et les crises humanitaires.
Impact de l’IA sur les différents
domaines
 Impact de IA sur les services publiques

 Efficacité et rapidité :
 Automatisation des tâches administratives répétitives (ex. classification de documents, traitement des
demandes).
 Réduction des délais de réponse grâce à des systèmes intelligents (ex. chatbots pour répondre aux
citoyens).
 Amélioration de la prise de décision :
 Utilisation de l’analyse prédictive pour anticiper les besoins (ex. gestion des flux de trafic, allocation de
ressources).
 Transparence et accessibilité :
 Simplification de l’accès aux services publics via des plateformes numériques.
 Suivi en temps réel des demandes des citoyens.
 Économies financières :
 Réduction des coûts grâce à l’automatisation.
 Impact de IA sur les services publiques

Défis et risques :
 Acceptation par le public :
 Méfiance envers l’utilisation des données personnelles par l’IA.
 Biais dans les décisions :
 Un modèle mal conçu pourrait introduire des discriminations involontaires.
 Dépendance technologique :
 Dépendance accrue aux systèmes d’IA, avec des risques en cas de pannes ou de
cyberattaques.
 Impact de IA sur les services publiques

 L'intelligence artificielle (IA), pilier de la 4éme révolution industrielle, connaît une

croissance exponentielle en simulant l'intelligence humaine et en réalisant des tâches
complexes.
 Bien qu'elle ouvre des opportunités, elle soulève des inquiétudes, notamment la perte
de contrôle technologique et les impacts sur les libertés fondamentales.
 Le Maroc, protégé par la Constitution de 2011 et des cadres internationaux comme la
Charte africaine et la Déclaration universelle des droits de l'homme, doit équilibrer
l'usage de l'IA pour le développement avec la protection des droits fondamentaux.
 Cela nécessite une réglementation adaptée pour garantir un développement inclusif
et maîtrisé, tout en protégeant les libertés individuelles face aux risques numériques.
 Impact de IA sur les services publiques

Le corpus juridique digital et numérique marocain :

 Pour répondre à ces enjeux, le législateur marocain a adopté des mesures juridiques à la fois
préventives et répressives, alignées sur les normes internationales, afin de protéger les libertés
numériques tout en soutenant le développement économique et commercial.
 Les engagements juridiques du Maroc en vertu des textes internationaux :
 Le Maroc, signataire de textes internationaux comme la Déclaration universelle des droits de
l'homme et le Pacte international relatif aux droits civils et politiques, a adapté sa législation
pour aligner ses normes sur les standards européens, notamment en matière de protection des
données personnelles.
 Sur le plan éthique, l'Unesco a adopté en 2021 des recommandations pour une IA responsable,
interdisant des pratiques telles que la notation sociale et la surveillance de masse.
 Le Maroc, aligné sur ces principes, se distingue par ses efforts pour promouvoir une IA éthique,
soutenus par la mise en place de structures dédiées à cette mission.
 Impact de IA sur les services publiques

La protection des droits et libertés numériques sur le plan national

les autorités marocaines ont adopté durant les vingt dernières années une batterie de mesures visant à
mettre le numérique et le digital au service des citoyens marocains et à stimuler la compétitivité du
Maroc dans ce domaine :
 la loi n˚ 53-05 promulguée par le dahir n˚ 1−07−129 du 30 novembre 2007, relative à l’échange
électronique de données juridiques ;
 la loi n˚ 09-08 promulguée par le dahir n˚ 1−09−15 du 18 février 2009, relative à la protection des
personnes physiques à l’égard du traitement des données à caractère personnel ;
 la loi n˚ 31-08 promulguée par le dahir n˚ 1−11−03 du 18 février 2011 − 14 rabii 1432, édictant des
mesures de protection des consommateurs ;
 Impact de IA sur les services publiques

 la loi n˚ 132-13 portant approbation du protocole additionnel à la convention

européenne pour la protection des personnes à l’égard du traitement automatisé des
données à caractère personnel promulguée par le Dahir n˚ 1−14− 136 du 31 juillet 2014 ;
 la loi n˚ 1-20-69 du 25 juillet 2020 portant promulgation de la loi n˚ 05−20 relative à la
cybersécurité ;
 la loi n˚ 43−20 relative aux services de confiance pour les transactions électroniques
promulguée par le Dahir n˚ 1−20−100 du 31 décembre 2020.
 Impact de IA sur les services publiques

Le besoin de réglementer juridiquement l’intelligence artificielle au Maroc

L'argumentaire présenté soulève des enjeux juridiques, éthiques et techniques autour de l'intelligence
artificielle (IA), notamment concernant la transparence, la responsabilité et la régulation.
La nécessité d’une intelligence artificielle transparente
 L’IA présente un potentiel immense, mais pour éviter les violations des droits fondamentaux, il est
crucial de garantir la transparence des algorithmes. Cette transparence permet non seulement de
comprendre les décisions prises par les IA, mais aussi de pouvoir les contester en cas de préjudice.
 Trois principes fondateurs sont mis en avant pour une IA éthique :
 la neutralité du web (garantissant la libre circulation des contenus),
 la loyauté (exigeant la transparence dans la collecte et l'utilisation des données personnelles),
 et la vigilance (assurant la sécurité et la confidentialité des données collectées).
 Impact de IA sur les services publiques

 L’élaboration d’un statut juridique propre à l’intelligence artificielle

La question de la responsabilité en cas de préjudice causé par l'IA se
pose, notamment en raison de l'absence de personnalité juridique de
l'IA. Cela complique l’identification du responsable, que ce soit le
concepteur, le fabricant, ou l’utilisateur de l’IA.
 La solution est la création d’une personnalité électronique pour l'IA,
similaire à ce qui a été fait avec certaines entités dans l’industrie, mais
seulement pour les IA suffisamment autonomes et conscientes de leurs
actions. À défaut, la responsabilité devrait être attribuée aux acteurs
humains derrière l'IA.
 Conclusion

L’IA engendre un bouleversement technologique qui imposera une

évolution constante des régulations. La mise en place d’une stratégie
marocaine propre à l'IA, alignée avec les objectifs de développement
durable et compétitifs du pays, est jugée essentielle pour garantir un
développement responsable de l’IA et l’intégration de cette
technologie dans la vie quotidienne des citoyens.
 En résumé, la présentation propose une réflexion approfondie sur les
défis juridiques liés à l’intelligence artificielle, appelant à une régulation
renforcée, à la transparence des algorithmes et à une approche
équilibrée entre innovation et protection des droits fondamentaux.
 L'impact de l'IA sur l'environnement

L'impact de l'IA sur l'environnement est double :

 elle contribue à la hausse de la consommation énergétique (centres de
données, formation de modèles complexes), des émissions de CO2 et
de la demande en ressources (eau, métaux rares), créant une
empreinte carbone et des déchets électroniques importants.
 l'IA peut aussi être une solution pour l'environnement en optimisant des
processus, gérant les flux de trafic, ou aidant au recyclage, réduisant
ainsi les impacts négatifs dans d'autres domaines.
 L'impact de l'IA sur l'environnement

 Impacts négatifs (les défis)

• Consommation d'énergie et émissions de CO2 : L'entraînement des grands modèles d'IA
(comme GPT-4) nécessite une puissance de calcul énorme, augmentant fortement la
consommation des centres de données et donc les émissions de gaz à effet de serre,
défiant les objectifs de neutralité carbone des géants technologiques.
• Consommation d'eau : Les data centers utilisent d'énormes volumes d'eau pour le
refroidissement, créant des tensions sur les ressources en eau douce.
• Ressources matérielles et déchets électroniques : La production de l'IA nécessite des
métaux rares et des composants qui engendrent la pollution et déforestation lors de
l'extraction. Le renouvellement rapide du matériel crée des déchets électroniques (DEEE).
 L'impact de l'IA sur l'environnement

 Impacts positifs (les opportunités)

 Optimisation et efficacité : L'IA peut optimiser la gestion énergétique, des
réseaux de transport (réduction des embouteillages).
 Solutions environnementales : Elle aide à surveiller le climat, gérer les
déchets (robots de recyclage) et développer des solutions pour la
biodiversité.
 Éco-conception : Des solutions sont explorées (refroidissement liquide,
énergies renouvelables) pour réduire l'empreinte des data centers, et
rendre l'IA plus soutenable.
 Impact de l IA sur la société

 Amélioration de la vie quotidienne :

 Grâce à sa capacité à apprendre et à s'adapter, l’IA rend nos journées plus efficaces et nos
tâches moins laborieuses, illustrant parfaitement l'intégration réussie dans notre vie.
 Applications comme les assistants vocaux (Siri, Alexa, …), les recommandations personnalisées
(Netflix, YouTube, …).
 Santé et bien-être :
 Diagnostic médical assisté par IA (par exemple, détection de cancers précoces).
 Progrès dans la médecine personnalisée, avec des traitements adaptés à chaque patient.
 Accessibilité accrue :
 Aides technologiques pour les personnes en situation d’handicap (reconnaissance vocale,
conversion texte-parole).
 Impact de l IA sur la société

Défis et risques :
 Perte de certains emplois :
 Automatisation de tâches répétitives, notamment dans l'industrie et les
services.
 Éthique et biais :
 Risques liés à l'utilisation abusive de l'IA (surveillance de masse, manipulation
via les réseaux sociaux).
 Détour dans les algorithmes, pouvant renforcer les discriminations.
 Impact de l IA sur la santé

L'IA dans la Santé : Une Révolution Médicale

 La santé s'est métamorphosée depuis 1950 grâce à l'intelligence artificielle (IA),
promettant de générer des gains de productivité considérables et d'améliorer le
bien-être global.
 L'utilisation de l'IA dans ce secteur permet une précision diagnostique accrue et une
personnalisation des traitements.
 S'appuyant sur le traitement du langage naturel et l'analyse de grandes quantités de
données, l'IA dans la santé représente une avancée majeure, permettant de
répondre efficacement aux crises sanitaires actuelles.
 Impact de l IA sur la santé

Avantages majeurs
 Précision et Rapidité : Diagnostics plus fiables en moins de temps.
 Médecine Préventive : Identification des risques avant l'apparition des
symptômes.
 Démocratisation des Soins : Amélioration de l'accès dans les zones
sous-dotées.
 Optimisation des Ressources : Réduction des coûts et des inefficacités.
Impact de l IA sur la santé

Défis et préoccupations
 Éthique et Réglementation : Risque de biais algorithmiques et de
discrimination.
 Confidentialité des Données : Sécurité des informations médicales
sensibles.
 Rôle de l'Humain : Maintenir le soignant au centre de la décision et de
la relation avec le patient.
 Impact de l’ IA sur le Commerce

L'Intelligence Artificielle dans le Commerce

 Dans le commerce, l’IA permet une transformation radicale. Elle

personnalise les expériences client et optimise la chaîne
d'approvisionnement.
 Les algorithmes d'IA analysent les tendances de consommation,
permettant aux entreprises d'améliorer leur compétitivité.
 Cette branche de l'IA, en pleine expansion, soulève cependant des
interrogations quant à la protection des données et à l'éthique de
l'automatisation dans les interactions client.
 Impact de l’ IA sur le Commerce

Optimisation des opérations et de la productivité

 Automatisation : L'IA gère les tâches répétitives (saisie de données, rapports),
libérant du temps pour les équipes.
 Logistique : Optimisation des chaînes d'approvisionnement et réduction des
coûts de retour.
 Sécurité : Caméras intelligentes pour prévenir les vols en magasin.
 Personnalisation : Offres sur mesure, recommandations basées sur l'historique
d'achat.
 Interaction : Assistants virtuels et recherche vocale pour des parcours d'achat
plus fluides et conversationnels.
 Prévisions : Prévisions de ventes plus précises grâce à l'analyse de données.
 Impact de l IA sur l’éducation

L'IA permet de personnaliser l'apprentissage, en adaptant les contenus aux besoins

individuels des apprentis. Elle assiste les enseignants dans certaines tâches et peut être
utilisée pour analyser les performances des apprentis en temps réel.
 Évaluation continue : L’IA peut fournir un feedback instantané sur les performances,
permettant aux apprentis de savoir où ils se trouvent et comment s’améliorer.
 Adaptation du contenu : Le matériel éducatif est ajusté automatiquement en fonction des
besoins de l’apprenti, rendant l’apprentissage plus engageant.
 Gestion du temps : Les apprentis peuvent apprendre à leur propre rythme, ce qui aide à
réduire le stress et à favoriser une meilleure compréhension.
 Impact de l IA sur l’éducation

Bien que l’IA facilite l’apprentissage, elle ne saurait remplacer l’humain dans toutes ses
dimensions.
 Interaction humaine : Les enseignants apportent un soutien émotionnel et une écoute
active qui ne peuvent être reproduits par une machine.
 Approche pédagogique : Les enseignants adaptent leurs méthodes
personnalisée
d’enseignement selon les besoins de chaque apprenti, quelque chose que l’IA peine à
fournir avec la même finesse.
 Création d’une communauté : Les salles de classe sont des lieux d’interaction sociale,
d’échanges et de développement personnel, des éléments essentiels qui dépassent le
cadre académique.
 Impact de l IA sur l’éducation

Pour les élèves

 Apprentissage personnalisé : Ajuste les exercices à leur niveau et rythme,
offre un soutien 24/7, comble les lacunes.
 Autonomie : Permet un apprentissage plus autonome et flexible.
 Outil d'aide : Aide à la recherche, à la compréhension et à la
structuration des idées, tout en développant la pensée critique face aux
réponses générées.
 Impact de l IA sur l’éducation

Pour les enseignants

 Allègement des tâches : Automatisation de la correction, de
l'organisation, libérant du temps pour l'accompagnement.
 Aide à la pédagogie : Fournit des données sur les élèves, aide à créer des
cours adaptés (ex: pour les élèves dys).
 Rôle évolué : Passe d'un transmetteur de savoir à un accompagnateur,
créateur d'environnements d'apprentissage, axé sur l'empathie et le
jugement critique.
 Impact de l IA sur l’éducation

Défis et risques
 Fraude/Plagiat : Utilisation non autorisée pour les devoirs.
 Dépendance : Risque de confiance excessive et de dépendance
affective ou cognitive envers les outils.
 Qualité des informations : Les IA peuvent faire des erreurs ou générer
des informations erronées.
 Éthique : Équité, confidentialité des données, impact sur l'identité et
l'inclusion.
Ingénierie de prompt
QU’EST CE QUE LE PROMPT ENGINEERING?

 Le prompt engineering est le processus de conception et

d'optimisation des Prompts utilisés dans les modèles de traitement
du langage naturel (NLP), tels que ChatGPT, les chatbots ou les
assistants virtuels.

 Cela implique de créer des consignes claires, concises et efficaces

pour susciter la réponse souhaitée.
 3 Principes du Prompt Engineering

Soyez spécifique:
• Plus vous donnez de critères, plus la sortie sera ciblée.
Travaillez par étapes:
• Divisez les tâches en petites parties. Cela donne de meilleurs résultats,
tout comme cela le ferait avec un être humain.
Itérez et améliorez:
• Retravaillez les Inputs et permettez à ChatGPT d'améliorer sa propre
sortie.
 QU’EST CE QUI FAIT UN BON PROMPT?

 Un langage clair et concis, direct et sans ambiguïté.

 La personnalité attribué à ChatGPT: le rôle qu'il jouera dans votre
consigne.
 Les informations et exemples que vous fournissez: Les Inputs. (ChatGPT peut
faire référence à des données dans l'historique des conversations)
 Une tâche spécifique que vous demandez à ChatGPT d'accomplir: Le
résultat souhaité.
 Affinement au besoin une fois la première réponse reçue: des itérations
jusqu'à obtenir le résultat souhaité.
 ÉTAPES PRINCIPALES DE LA FORMULATION DE PROMPTS

1. Définir le problème ou l'objectif

Articulez clairement ce que vous souhaitez que ChatGPT vous aide et quel type de réponse vous
recherchez.
2. Utiliser des mots-clés et des expressions pertinentes
Intégrez les termes les plus utiles liés à l'industrie et au sujet dans le Prompt, ce qui aidera ChatGPT à
générer la réponse souhaitée.
3. Rédiger le Prompt
Créez un Prompt concis qui communique clairement les informations et la tâche requises, en
utilisant les mots-clés et expressions identifiés dans les étapes 1 et 2.
4. Tester, évaluer et itérer
Générez des réponses avec ChatGPT, évaluez les résultats et ajustez le Prompt si nécessaire pour
obtenir la réponse souhaitée. Répétez le processus jusqu'à ce qu’un Prompt réussi soit créé,
générant de manière cohérente la réponse souhaitée.
PROMPT PRIMING

 «Priming» fait référence à la pratique de fournir une première

entrée au modèle avant de générer une réponse. Cette première
entrée vise à guider le modèle vers la génération d'une réponse
plus pertinente et cohérente avec la sortie souhaitée de l'utilisateur.
 PROMPT PRIMING: Exemple 1:
Sans Priming: Où devrais-je partir en vacances prochainement ?
Avec Priming: J'aimerais partir en voyage avec ma femme et mes enfants, dans un endroit tropical,
près de la plage. Je souhaite un vol direct aller retour depuis Fès et j'ai un budget de voyage de 5 000
dh. Où devrais-je partir en vacances prochainement ?
Output après Priming: Avec une famille, un budget d’environ 5 000 DH, un vol direct A/R depuis Fès et
une envie de plage + ambiance tropicale, il faut rester réaliste : les destinations tropicales lointaines
(Thaïlande, Maldives, Caraïbes) ne sont pas possibles avec ce budget ni en vol direct.
La meilleure option, sûre et adaptée à ta situation, c’est de viser des destinations “tropical-like”,
ensoleillées, familiales et accessibles depuis Fès.
MEILLEURE OPTION RECOMMANDÉE
 Agadir – Maroc
 Climat chaud toute l’année (ambiance tropicale)G
 rande plage propre et sécurisée (parfaite pour enfants)
 ✈ Vols directs Fès ⇄ Agadir👨👩👧👦 Très familiale💰 Compatible avec 5 000 DH
 PROMPT PRIMING: Exemple 2:

Sans Priming: Veuillez créer 3 titres potentiels pour mon nouveau cours en ligne qui enseigne
l'utilisation de l’IA.
Avec Priming: Veuillez créer 3 titres potentiels pour mon nouveau cours en ligne qui
enseigne l'utilisation de l'IA. Voici un exemple de titres de mes cours récents. Veuillez émuler
le style et le format écrit de ces titres : «Masterclass de montage vidéo : Éditez vos vidéos
comme un pro!» «Masterclass de cinématographie : Le guide complet de la vidéographie»
Output après Priming:
1. Maîtrise de l'IA : Le guide complet de l'utilisation de l'intelligence artificielle
2. L'expert de l'IA : Apprenez à exploiter la puissance de l'intelligence artificielle
3. Fondements de l'IA : Un guide étape par étape de l'utilisation de l'intelligence artificielle"
RÉVISIONS EFFICACES DE PROMPTS

 Contrairement aux moteurs de recherche conventionnels, ChatGPT possède une

capacité de mémoire unique.
 Il retient efficacement les informations transmises lors des conversations
précédentes, ce qui permet aux prompts futurs de s'appuyer sur l'historique
complet des conversations.
 Cette fonctionnalité est particulièrement utile car elle permet à ChatGPT de
comprendre le contexte et les subtilités en accumulant les connaissances dans
une chaîne de dialogue.
PROMPT FRAMEWORKS CIBLÉS

 Dans cette partie nous allons présentés des Framworks de prompts

hautement efficaces visant à améliorer la concentration et la
précision dans la génération de réponses.
 En fournissant un Framework spécifique, ces prompts permettent à
ChatGPT de produire des réponses plus détaillées, reproductibles et
précises.
 SHOT PROMPTING

Les trois variations du Shot Prompting consistent à donner à ChatGPT une autonomie totale pour générer n'importe
quelle réponse sans prompting (zero shot prompting), à fixer des paramètres et à fournir des données de référence
avec un seul ou quelques prompts (one shot prompting), ou à fournir plusieurs données et instructions avant de
compléter la demande (few shot prompting).
Formule du prompt :
• Zero Shot : Aucune donnée ou directive préalable avant de compléter la demande.
• One Shot : Une donnée ou directive donnée avant de compléter la demande.
• Few Shot : Plusieurs données ou directives données avant de compléter la demande.
 SHOT PROMPTING
Exemples :
• Zero Shot :
‘Text
Traduis ce texte en français.’
• One Shot :
Anglais : Hello - Français : Bonjour
Traduis :
Anglais : Good morning
Français :
• Few Shot :
Anglais : Hello → Français : Bonjour
Anglais : Thank you → Français : Merci
Traduis :
Anglais : How are you?
Français :
PROMPTING PAR CHAINE DE PENSÉE

Ce cadre est une technique pour guider ChatGPT afin qu'il explique ses réponses dans un
format étape par étape de son processus de raisonnement. Cette technique garantit que les
réponses du modèle sont transparentes et faciles à comprendre, rendant ses explications
plus utiles à des fins éducatives ou explicatives.
Formule du prompt :
• [Votre question]. Réfléchissons étape par étape.
Exemples :
Prompt classique :Définir la gouvernance de l’IA.
Prompt par chaîne de pensée :Analyse le concept de gouvernance de l’IA en identifiant le
contexte, les enjeux, puis en formulant une définition claire.
 PROMPTING EN FORMAT TABULAIRE

L'utilisation du format tabulaire avec ChatGPT permet une organisation et une présentation claires
des données, facilitant ainsi l'analyse et la compréhension des résultats. Cela conduit à des
compréhensions et des informations plus précises.
Formule du prompt :
1. [Votre question].
2. Quelles sont les différentes catégories dans lesquelles vous pouvez diviser votre réponse
pour plus de details ?
3. Créez maintenant un tableau qui inclut votre réponse originale avec ces catégories séparées dans
différentes colonnes.
Exemples :
• Veuillez lister les 5 meilleures destinations de voyage au maroc.
 DEMANDE AVANT DE RÉPONDRE :

Ce cadre de travail est une technique visant à guider ChatGPT pour demander des éclaircissements avant de donner une
réponse. Cela permet de garantir que les réponses du modèle sont aussi précises et spécifiques que possible.
Formule du prompt :
1. Vous êtes un expert dans le domaine de [l'industrie]. Je vais vous demander d'accomplir certaines tâches spécifiques, mais
avant de répondre, je souhaite que vous fassiez ce qui suit: Si vous avez des questions sur ma tâche ou des incertitudes quant à la
meilleure réponse possible, demandez toujours des précisions sous forme de questions à puces avant de générer votre réponse. Est-
ce bien compris ?
2. Parfait, ma question est la suivante : [question]. Votre tâche consiste à [tâche]. Veuillez poser toutes les questions que vous avez
afin que je puisse améliorer ma consigne avant que vous n'accomplissiez votre tâche.
Exemples :
• Parfait, ma question est la suivante : comment puis-je augmenter les ventes de mon entreprise de conseil ? Votre tâche consiste
à créer un guide étape par étape que je pourrai mettre en œuvre dans mon entreprise. Veuillez poser toutes les questions que vous
avez afin que je puisse améliorer ma consigne avant que vous n'accomplissiez votre tâche.
• Parfait, ma question est la suivante : comment puis-je utiliser ChatGPT pour maximiser ma productivité ? Votre tâche consiste à
établir un emploi du temps hebdomadaire que je pourrai suivre. Veuillez poser toutes les questions que vous avez afin que je puisse
améliorer ma consigne avant que vous n'accomplissiez votre tâche.
 PROMPTING À COMPLÉTER :

Ce format permet à l'utilisateur de se concentrer sur un aspect spécifique d'une phrase ou d'une idée,
et encourage une réflexion approfondie. De plus, c'est un outil flexible pour l'apprentissage et la
communication, qui peut être facilement adapté à différentes situations.
Formule du prompt :
1. Vous êtes un expert dans la création de consignes qui génèrent des réponses concises et riches en
ressources. Quels détails supplémentaires sous forme de points à puces puis-je ajouter à la consigne
suivante pour améliorer la réponse ? Ma consigne est la suivante : [votre consigne].
2. Parfait, transformez maintenant ces points à puces en un format à compléter, dans lequel je pourrai
insérer mes informations.
Exemples :
• J'ai 100 000 MAD d'économies, dans quoi devrais-je investir ?
• Comment puis-je trouver et recruter davantage de designers talentueux pour ma marque de mode
?
 PROMPTING DE PERSPECTIVE :

Ce cadre peut élargir votre compréhension et offrir une vision plus complète du sujet en question. Cela peut
vous aider à prendre des décisions plus éclairées et à mieux comprendre les problématiques complexes.
Formule du prompt :
• Perspective unique: Veuillez écrire sur [sujet] du point de vue de [point de vue].
• Perspectives multiples: Veuillez rédiger un argument [pour/contre] le sujet de [sujet] à partir de perspectives
diverses. Incluez les noms et les points de vue des différentes perspectives, tels que [points de vue].
Exemples :
• Perspective unique: Veuillez écrire sur l'amélioration en tant que kickboxeur du point de vue d'un entraîneur
de kickboxing.
• Perspective unique: Veuillez écrire sur l'amélioration en tant que kickboxeur du point de vue d'un expert en
anatomie humaine.
• Perspectives multiples: Veuillez rédiger un argument contre les organismes génétiquement modifiés (OGM)
en tenant compte de plusieurs perspectives. Incluez les noms et les points de vue des différentes
perspectives, tels qu'un agriculteur, un consommateur et un généticien.
PROMPTING COMPARATIF

Le prompting comparatif met en évidence les principales similitudes et différences entre divers
facteurs, ce qui vous aide à prendre des décisions plus éclairées et à mieux comprendre les
forces et les faiblesses de deux options.
Formule du prompt :
Veuillez comparer et contraster les exemples de texte suivants. Présentez les similitudes, les
différences, les caractéristiques qualitatives, les facteurs quantitatifs, la fonctionnalité, l'impact,
les principales conclusions et autres facteurs dans un tableau.
Voici les deux morceaux de contenu : [contenu 1] et [contenu 2].
Exemples :
• La philosophie commerciale d'Apple et de Samsung.
• Investir dans l'immobilier et investir dans les voitures.
Éthique et gouvernance de l’IA
 Éthique de l’IA

Ensemble de principes pour que l’IA respecte :

 les droits fondamentaux (vie privée, liberté, dignité),
 la justice (équité, non-discrimination),
 la sécurité (fiabilité, cybersécurité),
 la responsabilité (redevabilité, traçabilité).
 Gouvernance de l’IA

 Organisation + règles + contrôles permettant de piloter les risques d’une IA sur tout
son cycle de vie :

données → entraînement → déploiement → supervision → amélioration → retrait

 Objectif : passer de “on a un modèle qui marche” à “on a un modèle fiable,

explicable, sécurisé et conforme”.
 Transparence, explicabilité et biais algorithmiques

1. Transparence : de quoi parle-t-on ?

La transparence, ce n’est pas “tout publier”, c’est rendre compréhensible :
• quoi fait le système (fonction),
• pourquoi il le fait (logique/indices),
• sur quelles données il a appris,
• ses limites (cas d’échec, incertitude),
• qui est responsable (propriétaire du modèle, équipe, procédures).
Transparence “utile” (pratique)
• Notice utilisateur : “Ce système aide à… Il ne remplace pas…”
• Avertissement : “Décision partiellement automatisée”
• Traçabilité : logs de versions modèle/données
• Documentation : Model cards & Datasheets for datasets (pratique recommandée)
 Transparence, explicabilité et biais
algorithmiques

2. Explicabilité : pourquoi c’est essentiel ?

Une IA peut être performante, mais :
• incompréhensible (boîte noire),
• difficile à contester,
• impossible à auditer.
L’explicabilité sert à :
• justifier une décision (ex : refus de crédit),
• détecter erreurs et biais,
• améliorer le modèle,
• rassurer utilisateurs/régulateurs.
 Transparence, explicabilité et biais
algorithmiques

3. Biais algorithmiques : d’où viennent-ils ?

Un “biais” = une distorsion systématique qui produit des résultats injustes ou faux.
Sources principales:
1. Biais de données
 données incomplètes, déséquilibrées (sous-représentation d’un groupe),
 erreurs de collecte,
 “historique” injuste (ex : anciennes décisions discriminatoires).
2. Biais de conception
 mauvais choix de variables (proxy : code postal → origine sociale),
 objectif mal défini (optimiser le profit vs l’équité).
3. Biais d’évaluation
 tester sur un échantillon non représentatif,
 ne regarder qu’une métrique globale (accuracy) au lieu de métriques par groupe.
4. Biais d’usage (contexte)
 modèle utilisé hors de son contexte (ex : entraîné sur un pays, déployé dans un autre),
 dérive dans le temps (data drift / concept drift).
Transparence, explicabilité et biais
algorithmiques

Conséquences typiques
 discrimination indirecte,
 exclusion de certaines populations,
 décisions illégitimes difficiles à contester,
 perte de confiance, risques juridiques et réputationnels.
Transparence, explicabilité et biais
algorithmiques

4. Gouvernance “anti-biais” : quoi mettre en place ?

1) Avant l’entraînement
 “Fiche dataset” : origine, consentement, représentativité, limites
 Définir ce qui est “équitable” dans le cas d’usage
 Choisir des critères de succès multi-objectifs (performance + fairness)
2) Pendant l’entraînement
 équilibrage des données,
 contraintes d’équité,
 contrôle des variables sensibles/proxy,
 tests sur sous-groupes.
Transparence, explicabilité et biais
algorithmiques

3) Avant déploiement
 audit interne + revue éthique,
 tests de robustesse (cas extrêmes),
 documentation + procédures de recours.
4) Après déploiement (souvent oublié)
 monitoring par groupe,
 détection de dérive,
 registre d’incidents,
 ré-entraînement contrôlé.
 Souveraineté numérique et cybersécurité

1. Souveraineté numérique : définition

C’est la capacité d’un État/organisation à :
• contrôler ses données (où elles sont stockées),
• maîtriser ses infrastructures (cloud, réseaux),
• réduire la dépendance à des fournisseurs étrangers,
• protéger ses secteurs stratégiques (défense, santé, finance).
 Enjeux concrets avec l’IA
• Données sensibles hébergées à l’étranger
• Modèles propriétaires impossibles à auditer
• Dépendance à une API externe (arrêt = arrêt du service)
• Risque de fuite de données (juridictions, sous-traitants)
 Souveraineté numérique et cybersécurité

2, Cybersécurité de l’IA : menaces typiques

L’IA ajoute des surfaces d’attaque nouvelles.
1) Attaques sur les données
Data poisoning : injecter de mauvaises données pour corrompre l’apprentissage
Fuites de datasets (données sensibles)
2) Attaques sur le modèle
Model stealing : copier le modèle via requêtes
Model inversion / extraction : récupérer des infos sur les données d’entraînement
Adversarial examples : petites perturbations → grande erreur
 Souveraineté numérique et cybersécurité

3. Gouvernance sécurité (ce qu’on attend en entreprise)

Sécurité “par design” dans le cycle IA
 contrôle d’accès, secrets manager
 signature/versioning des modèles
 traçabilité (qui a déployé quoi, quand)
 revues de sécurité avant prod
 surveillance en production (anomalies, drift, abus)
 plan de réponse aux incidents (et rollback)
Standards utiles à citer
 ISO/IEC 23894 : guide de gestion des risques IA (cycle de vie, intégration au risk
management).
 NIST AI RMF : gouverner/cartographier/mesurer/gérer les risques IA.
Applications de l’Intelligence
Artificielle dans le domaine juridique