Enseignement de l’apprentissage automatique à
destination d’ingénieur×e×s généralistes
Frédéric Sur
To cite this version:
Frédéric Sur. Enseignement de l’apprentissage automatique à destination d’ingénieur×e×s général-
istes. Academic Journal of Civil Engineering, 2023, 41 (2), pp.100-105. �10.26168/ajce.41.2.10�. �hal-
04213203�
HAL Id: hal-04213203
[Link]
Submitted on 5 Apr 2024
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est
archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Distributed under a Creative Commons Attribution 4.0 International License
JIA 2023 AJCE, vol. 41 (2)
Enseignement de l’apprentissage
automatique à destination d’ingénieur·e·s
généralistes
Frédéric Sur1
1Responsable du cours de tronc commun « Introduction à l’apprentissage automatique » à Mines Nancy.
Laboratoire Lorrain de Recherche en Informatique et ses Applications (LORIA), Université de Lorraine,
CNRS, Inria. Campus scientifique BP 239, 54506 Vandœuvre-lès-Nancy cedex. [Link]/FSur/
RÉSUMÉ L’apprentissage automatique est la discipline scientifique au cœur des récents et
fulgurants succès de l’intelligence artificielle dans de nombreux domaines. Dans cet article, nous
proposons un retour d’expérience sur l’enseignement de l’apprentissage automatique à
destination d’ingénieur·e·s généralistes, dans le cadre d’un cours de tronc commun scientifique
de la formation « Ingénieur Civil des Mines » de l’École des Mines de Nancy. L’objectif est de
proposer un cours pertinent pour les élèves-ingénieur·e·s quel que soit le département
scientifique choisi, grâce auquel ils et elles sauront mettre en application les principaux modèles
d’apprentissage sur des données réelles variées et s’appuyer sur leur compréhension des
fondements de la discipline pour identifier les limites pratiques, tout en ayant conscience des
questions éthiques potentiellement soulevées.
Mots-clefs intelligence artificielle, apprentissage automatique, école d’ingénieurs, Mines Nancy
I. INTRODUCTION
En l’espace de quelques années, « intelligence artificielle » (IA) est devenu un terme omniprésent
dans les médias, les discours politiques et marketing... et les offres d'emploi destinées aux
ingénieurs. Cette explosion tient aux succès rencontrés dans de nombreux secteurs d’activité par
l'apprentissage automatique (ou apprentissage machine, machine learning), discipline scientifique
qui permet à des ordinateurs « d’apprendre » à partir de données numériques. Au niveau
national, l’Etat a lancé en 2018 le programme national de recherche en intelligence artificielle
(PNRIA) se traduisant par des appels à projets ciblés de l’Agence Nationale de la Recherche
(ANR), des chaires académiques, ou les Instituts Interdisciplinaires d’Intelligence Artificielle
(3IA). De manière concomitante, le « rapport Villani » (Villani et al., 2018) dresse le tableau des
forces et faiblesses de la France et les perspectives d’avenir. Une partie importante du rapport
concerne la formation : il s’agit de créer de nouveaux cursus en mettant l’accent sur
l’interdisciplinarité. On peut noter que les écoles d’ingénieurs font l’objet d’une mention
particulière : « Les formations en mathématiques et en informatique existantes, qui rassemblent
les briques de base utiles à l’intelligence artificielle, devraient s’orienter naturellement vers
100
JIA 2023 AJCE, vol. 41 (2)
l’enseignement de l’intelligence artificielle. C’est le cas pour les écoles d’ingénieurs qui, déjà,
mettent sur pied des formations spécifiques sur ce sujet. »
L’École des Mines de Nancy s’est emparée de la question dès 2018-2019 sous la responsabilité de
la direction des formations et de la direction scientifique : un groupe de travail constitué
d’enseignants, étudiants, alumni, et partenaires industriels a été chargé de réfléchir à l’intégration
des thématiques IA dans la formation de Mines Nancy. Il est apparu qu’ « intelligence artificielle »
ne correspond pas réellement à un contenu académique au périmètre bien délimité, et que bon
nombre de cours ou projets de différentes natures dans l’offre de formation relèvent déjà de cette
thématique : si on se réfère à (Russel & Norvig, 2016), recherche opérationnelle, théorie des jeux,
logique, représentation de connaissances, inférence statistique, algorithmique, optimisation,
vision par ordinateur, robotique… font déjà partie du cursus sous un forme ou une autre. Il
apparaît néanmoins que l’élément central de la révolution de l’IA dans les dernières années, à
savoir l’apprentissage automatique, s’il est enseigné depuis 2018 aux élèves-ingénieurs du
département Génie Industriel et Mathématiques Appliquées (un des cinq départements
scientifiques de l’école), devrait être introduit au tronc commun scientifique. Il ne s’agit plus
seulement de former des spécialistes, mathématiciens ou informaticiens, mais de sensibiliser tous
les élèves-ingénieurs de Mines Nancy aux questions scientifiques, techniques, et éthiques de
l’apprentissage automatique, dans une optique interdisciplinaire. Ce nouveau cours semble
d’autant plus important que toutes les disciplines scientifiques sont à présent bousculées par l’IA
(Larousserie, 2022) : du laboratoire académique au service de recherche et développement d’un
grand groupe en passant par les jeunes entreprises innovantes, les approches basées sur les
données sont omniprésentes. À Mines Nancy, ce constat se traduit par un nombre grandissant de
projets ou de stages « à coloration IA » dans lesquels les étudiants sont encadrés par des
partenaires industriels ou académiques. Nous vivons par ailleurs dans un monde d’IA ubiquitaire
(on peut citer les assistants vocaux, les caméras de surveillance dites intelligentes, les aides à la
décision algorithmique, la traduction automatique…), et les diplômés de Mines Nancy seront
amenés à décider du déploiement de « solutions IA » ou à développer ces méthodes eux-mêmes.
Il a donc été décidé au printemps 2020 de créer un cours de tronc commun de six séances intitulé
« Introduction à l’apprentissage automatique » au premier semestre de la seconde année (Bac+4)
de la formation Ingénieur Civil des Mines, dès l’automne 2020. Ce cours suit chronologiquement
un cours intitulé « Analyse de données », qui traite pour sa part des aspects statistiques des
sciences des données.
II. UN ENSEIGNEMENT DE TRONC COMMUN POUR DES INGÉNIEURS
GÉNÉRALISTES
A. Objectifs pédagogiques
Les élèves-ingénieurs de la filière Ingénieur Civil des Mines sont pour leur grande majorité issus
de classes préparatoires scientifiques. Mines Nancy formant des ingénieurs généralistes, le tronc
commun scientifique est large et comprend, pour ce qui concerne les enseignements
d’informatique et mathématiques, des cours de probabilités, statistique, analyse numérique,
programmation Python, algorithmique et recherche opérationnelle, sans évoquer les
101
JIA 2023 AJCE, vol. 41 (2)
enseignements de sciences physiques où les étudiants pratiquent la modélisation mathématique.
C’est grâce à ce corpus de connaissances riche qu’il est possible de proposer un cours
d’apprentissage automatique significatif en seulement six séances.
Les objectifs pédagogiques du cours sont triples :
• comprendre les principes fondamentaux de l’apprentissage automatique ;
• mettre en œuvre des modèles d’apprentissage sur des données réelles issues de
différents domaines d’application ;
• interroger la pertinence des modèles, leurs biais implicites éventuels, et les impacts
sociétaux potentiels.
Ces objectifs doivent permettre aux étudiants d’être davantage autonomes dans les projets
scientifiques ou industriels dès la deuxième année d’études, d’être rapidement opérationnels dans
un stage, de mieux décoder le discours politique ou marketing autour de l’IA, et d’approfondir
dans des cours spécialisés pour ceux qui le désirent, à Mines Nancy ou dans d’autres formations
en France ou à l’étranger. Chacune des six séances est organisée sous la forme d’un cours en
amphithéâtre d’une heure suivi de travaux dirigés (TD) en salle machine pendant deux heures.
Les étudiants doivent lire une vingtaine de pages d’un polycopié avant chaque séance. Au début
des TD, un questionnaire à choix multiples constitué de quelques questions simples est proposé
sur la plate-forme Moodle de l’Université de Lorraine afin de vérifier le travail régulier de chacun.
Le lecteur intéressé par le contenu détaillé du cours pourra consulter tout le matériel pédagogique
(polycopié, supports de cours et de travaux dirigés) disponible librement en ligne (Sur, 2023). Le
cours a été construit essentiellement sur la base de trois ouvrages de référence (Bishop, 2006),
(Efron et Hastie, 2008), (Goodfellow, Bengio, & Courville, 2016), ainsi que sur les innombrables
ressources disponibles sur Internet. En quelques mots, les choix suivants ont été faits.
• Dans le cadre d’un cours de tronc commun, le but est de dresser un panorama large
de l’apprentissage automatique, sans se focaliser sur quelques modèles
spectaculaires à la mode qui ne seraient utiles que dans des domaines d’applications
spécifiques.
• Le cours traite de problèmes fondamentaux comme la théorie statistique de la
décision, le dilemme biais-fluctuation, les notions de sous- ou sur-apprentissage et
de régularisation, ou la malédiction de la dimension. Il semble important d’évoquer
ces problèmes même sans y consacrer beaucoup de temps afin de dépasser une
utilisation des modèles de l’apprentissage en boîte noire.
• Les modèles de l’apprentissage détaillés dans le cours sont les approches de
régression ridge ou Lasso (pour faire suite à la régression linéaire vue en cours de
statistiques), les techniques de classification non-supervisée (clustering), les
classifieurs aux plus proches voisins, le classifieur naïf de Bayes, celui de la
régression logistique, les machines à vecteurs-supports (permettant d’introduire la
très riche astuce du noyau), les réseaux de neurones artificiels, et les réseaux
convolutifs (convolutional neural networks, CNN) pour terminer sur les applications
modernes à l’origine de la révolution en marche depuis une dizaine d’années.
102
JIA 2023 AJCE, vol. 41 (2)
• Les séances de travaux dirigés en salle machine permettent la mise en œuvre
pratique des modèles vus en cours par l’intermédiaire de la bibliothèque Python
scikit-learn (Pedregosa et al. 2011) et de la bibliothèque Tensorflow (Abadi et al.
2015) pour la séance dédiée aux CNN. Les travaux pratiques prennent la forme de
carnets Jupyter. Tous ces outils sont des standards dans les milieux académiques et
industriels et doivent être maîtrisés par un jeune ingénieur. Même s’ils sont guidés
pour gagner du temps, les étudiants doivent être capables de choisir des modèles
adaptés et de sélectionner un modèle et ses hyperparamètres de manière raisonnée.
Les jeux de données utilisés concernent différentes disciplines afin de parler au plus
grand nombre selon les centres d’intérêt de chacun.
• Chaque cours ou séance de travaux dirigés est l’occasion de questionner la
pertinence des résultats et leurs implications sociétales. Sont ainsi évoqués des cas
pratiques de modèles suggérant des décisions sexistes ou racistes issues de biais
dans la base d’apprentissage, des communiqués de presse sensationnalistes ayant
pour visée essentielle de faire monter un cours d’action, de dévoiements de l’éthique
scientifique, de l’attitude des grandes compagnies qui possèdent données et
ressources de calcul, et recrutent les scientifiques au risque d’assécher le milieu
académique et privatiser la réflexion sur ces questions.
Une septième séance est consacrée au contrôle des connaissances. L’examen vise naturellement à
vérifier que les objectifs pédagogiques sont atteints : une première partie traite de questions
fondamentales, sans nécessiter une trop grande virtuosité mathématique, et une seconde partie
traite d’un cas pratique proche de ceux vus lors des séances de TD.
B. Organisation pratique
Comme mentionné plus haut, chacune des six séances est constitué d’un cours en amphithéâtre
pendant une heure, suivi de deux heures de travaux dirigés en salle machine. La pratique à Mines
Nancy est que les étudiants lisent le polycopié avant d’assister au cours : celui-ci peut donc
remettre en perspective le contenu du cours ou présenter des compléments d’information faisant
la transition avec la mise en pratique qui suit. Les effectifs de la promotion de deuxième année
font qu’il est nécessaire de constituer dix groupes de travaux dirigés… et recruter autant de
collègues pour les encadrer. Le rôle des enseignants chargés des TD est très important, car ils sont
l’interlocuteur privilégié des étudiants. Bien entendu, lorsqu’il s’agit de monter un nouveau cours
de tronc commun, il est toujours indispensable de pouvoir compter sur une équipe pédagogique
volontaire et dynamique. La difficulté dans le cas présent est que très peu de collègues étaient
initialement spécialistes d’apprentissage automatique. Par ailleurs, l’objectif est de recruter aussi
des enseignants non mathématiciens ou informaticiens, de manière à assurer une réelle
interdisciplinarité dans le cours. Constituer l’équipe pédagogique s’est en fait avéré assez facile :
au-delà de collègues spécialistes naturellement intéressés, certains collègues voyaient là
l’opportunité d’approfondir des connaissances utiles pour leur recherche en géosciences, en
sciences des matériaux, ou dans des domaines de l’informatique où l’apprentissage automatique
commençait à apparaître.
103
JIA 2023 AJCE, vol. 41 (2)
Dans ce cadre, il apparaît indispensable de préparer en amont des supports de cours détaillés, que
ce soit le polycopié ou des sujets de travaux dirigés avec des corrections complètes.
C. Difficultés rencontrées
Ce cours de tronc commun a été inauguré à l’automne 2020 en « distanciel » intégral… Les
premiers retours des étudiants ont été malgré tout positifs : ceci tient bien entendu à leur travail et
à l’énergie déployée par les collègues pour animer les travaux dirigés, mais aussi à l’utilisation
des logiciels libres facilitant l’installation de tout le nécessaire pour travailler sur un ordinateur
personnel par l’intermédiaire de la distribution Anaconda.
L’année 2022-2023 représente donc la seconde session « normale » du cours. Le contenu est riche
et s’appuie fortement sur les cours de tronc commun de mathématiques et d’informatique, sans
s’appesantir sur des rappels faute de temps. Bien entendu, les étudiants ayant éprouvé des
difficultés dans certains de ces cours doivent remobiliser des acquis fragiles, ce qui leur pose
parfois des difficultés. Même s’ils ne sont pas nécessairement les plus en difficulté, il ne faut pas
oublier les étudiants admis sur titre en deuxième année, qui n’ont pas suivi ces cours.
Il convient également de gérer l’hétérogénéité des attentes : les étudiants au profil « matheux »
veulent des démonstrations mathématiques, ceux au profil « geek » voudraient plus d’autonomie
pour développer leurs codes, d’autres voudraient des cas d’application dédiés à leur domaine de
prédilection… Le cours tente de répondre à ces attentes en proposant de nombreux compléments
facultatifs.
Enfin, et ceci n’étonnera pas les enseignants en informatique, une (heureusement) petite minorité
d’étudiants fait preuve d’un manque de familiarité avec l’informatique assez étonnant. Difficile de
commencer sereinement une séance de TP lorsqu’on ne sait pas où sont ses fichiers, sans parler de
ligne de commandes. On peut se demander comment ces étudiants appréhendent l’informatique
en général et l’IA en particulier dans la vie de tous les jours.
III. PISTES D’ÉVOLUTION
Si le cours semble avoir atteint un rythme de croisière, des pistes pourraient tout de même être
explorées s’il était amené à prendre davantage d’ampleur. Tout d’abord, prendre plus de temps
pour des rappels mathématiques ou informatique dans le contexte de l’apprentissage
automatique semblerait profitable. Ensuite, certaines questions importantes ne sont pas évoquées
dans le cours faute de temps, comme la réduction de la dimension des observations ou la
visualisation de données. Les techniques ensemblistes d’apprentissage (forêts aléatoires, boosting)
mériteraient également d’être traitées. Enfin, les résultats très récents sur la génération d’images
avec Stable Diffusion ou l’agent conversationnel ChatGPT d’OpenAI laissent anticiper une
nouvelle révolution d’usages dans de nombreux domaines. Ceci n’est pas sans susciter des
inquiétudes légitimes quant à l’usage de ces outils qui pourrait être imaginé. Introduire les
techniques modernes de l’apprentissage profond (deep learning) dans un cours de tronc commun
semble donc de plus en plus pertinent. D’un point de vue pratique, permettre l’utilisation d’un
centre de calcul mutualisant les moyens matériels serait sans doute judicieux. Des ressources
matérielles et humaines conséquentes sont cependant indispensables dans ce cas.
104
JIA 2023 AJCE, vol. 41 (2)
IV. CONCLUSION
Nous avons décrit l’expérience de l’École des Mines de Nancy dans l’enseignement de
l’apprentissage automatique dans un cours de tronc commun scientifique. Introduire ce cours
permet aux élèves-ingénieurs de mieux appréhender les projets scientifiques et industriels qui
peuvent leur être proposés dans leur scolarité à l’école, réinvestir ces connaissances dans leurs
stages en entreprise, ou approfondir par la suite dans des cursus dédiés. Si l’accent est mis sur la
pratique de l’analyse de données réelles, les fondements théoriques ne sont pas négligés afin de
dépasser un usage naïf en boîte noire des techniques modernes de l’intelligence artificielle.
Remerciements. Je souhaite remercier l’équipe de direction de l’École des Mines de Nancy pour la
confiance accordée, ainsi que tous les collègues et étudiants impliqués pour avoir grandement
contribué à l’amélioration continue du cours et du matériel pédagogique.
Remarque. Dans le corps du texte, le masculin est utilisé à titre épicène.
REFERENCES
Abadi, M. et al (2015). TensorFlow: Large-scale machine learning on heterogeneous systems,
Software available from [Link].
Bishop, C. (2006). Pattern recognition and machine learning. Springer.
Efron B. & Hastie, T (2008). Computer age statistical inference. Cambridge University Press.
[Link]
Goodfellow I., Bengio Y., & Courville A (2016). Deep learning. MIT Press.
[Link]
Larousserie, D. (2022). L’intelligence artificielle, nouveau moteur de la recherche scientifique.
Le Monde, supplément sciences et médecine, 26 octobre 2022.
Pedregosa, F. et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine
Learning Research, 12, 2825-2830. Software available from [Link]
Russel, S. & Norvig, P (2016). Artificial Intelligence : A Modern Approach. Prentice Hall, 3rd
edition.
Sur, F. (2023). Introduction à l’apprentissage automatique. Cours de tronc commun scientifique
FICM 2A, École des Mines de Nancy. [Link]
Villani, C., Bonnet Y., Berthet, C., Levin, F., Schoenauer, M., Cornut, A.-C., & Rondepierre B.
(2018). Donner un sens à l’intelligence artificielle. Pour une stratégie nationale et européenne.
Rapport pour le premier ministre. [Link]
lintelligence-artificielle-pour-une-strategie-nation
105