Blockchain

La blockchain est une technologie de registre distribué (Distributed Ledger Technology -

DLT) qui permet de stocker des informations de manière sécurisée, transparente et
inaltérable. Elle fonctionne comme un grand livre numérique décentralisé où chaque bloc
contient des données (transactions, contrats, etc.) et est lié cryptographiquement au bloc
précédent.

Caractéristiques principales :

• Décentralisation : pas d'autorité centrale (comme une banque ou un État).

• Transparence : tout le monde peut vérifier les transactions.
• Immuabilité : une fois enregistrée, une transaction ne peut pas être modifiée.
• Sécurité : cryptographie utilisée pour garantir l’intégrité.

Applications :

• Cryptomonnaies (comme Bitcoin, Ethereum)

• Contrats intelligents (smart contracts)
• Traçabilité dans les chaînes logistiques
• Identité numérique
• Vote électronique

💰 Initial Coin Offering (ICO) – Offre Initiale de Jetons

L’ICO est un moyen de financement participatif basé sur la blockchain. C’est une méthode
utilisée par des startups ou projets blockchain pour lever des fonds en émettant des jetons
numériques (tokens).

Fonctionnement :

1. Le projet propose des jetons en échange de cryptomonnaie (souvent Ethereum).

2. Les investisseurs achètent ces jetons en espérant que leur valeur augmente avec le
temps.
3. Les fonds collectés servent à développer le projet.

🔗 Qu’est-ce que signifie « blockchain décentralisée » ?

Une blockchain décentralisée est un système dans lequel aucune autorité centrale (comme
une banque ou un gouvernement) ne contrôle les données ou les transactions.
 Le pouvoir est réparti entre plusieurs participants (appelés nœuds ou nodes) à travers le
monde.

🏛️ Comparaison simple :

Système centralisé (banque,

Système décentralisé (blockchain)
Facebook…)
Contrôle par une autorité unique Contrôle partagé entre tous les participants
Risque élevé en cas de panne ou piratage Résilient même si certains nœuds tombent
L’utilisateur doit faire confiance à La confiance est dans le code et la
l’autorité transparence

✅ Les avantages de la décentralisation :

Sécurité Pas de point unique d’échec : plus difficile à pirater.

Toutes les transactions sont visibles et vérifiables.

Transparence
Fiabilité Les données ne peuvent pas être modifiées sans consensus.

Aucun besoin d’un tiers de confiance.

Indépendance
Le système continue à fonctionner même si certains nœuds
Disponibilité échouent.

📘 Explication simplifiée : les contrats intelligents (smart contracts)

Un contrat intelligent, c’est un programme informatique qui s’exécute automatiquement

quand certaines conditions sont remplies.

🏦 Pourquoi c’est utile ?

Dans le système classique :

• Faire un virement international ou un échange de devises est lent et coûteux.

• Prêter de l’argent à une personne inconnue à l’autre bout du monde, c’est risqué.

Avec les contrats intelligents :

On peut envoyer de l’argent ou faire un échange automatiquement, sans avoir

besoin de banque ou d'intermédiaire.
🛠️ Où sont-ils utilisés ?

• La blockchain Ethereum est la plus connue pour les smart contracts.

• D’autres blockchains les utilisent aussi : EOS, Tezos, Tron, Polkadot, Algorand,
etc.

🔍 Comment ça fonctionne ?

• Le code du contrat est écrit dans un langage comme Solidity (pour Ethereum).
• Une fois déployé sur la blockchain :
o Le code est public → tout le monde peut le lire.
o Personne ne peut le modifier (sauf exceptions prévues).
• Chaque ordinateur du réseau (appelé nœud) garde une copie du contrat et de son
état.
• Quand quelqu’un envoie des fonds au contrat, tous les nœuds exécutent le code, et
ils se mettent d’accord sur le résultat (c’est le consensus).
• Pour exécuter le contrat, il faut payer des frais, appelés "Gaz" sur Ethereum.

📌 Paragraphe résumé à apprendre :

Un contrat intelligent est un programme informatique déployé sur une blockchain qui exécute
automatiquement des actions lorsque certaines conditions sont remplies, sans avoir besoin
d’une banque ou d’un intermédiaire. Cela permet d’échanger des actifs numériques de
manière rapide, sécurisée et transparente, même entre inconnus. La blockchain Ethereum est
la plus utilisée pour les contrats intelligents, mais d’autres blockchains comme Tezos, Tron
ou Polkadot les prennent aussi en charge. Le code du contrat est public, consultable par tous,
et ne peut généralement pas être modifié après sa création. Lorsqu’un contrat reçoit des
fonds, il est exécuté par tous les ordinateurs du réseau, appelés nœuds, qui vérifient ensemble
le résultat. Pour que le contrat fonctionne, l’utilisateur paie des frais appelés « gaz ». Grâce à
ce mécanisme, les contrats intelligents permettent d’automatiser des opérations complexes de
manière décentralisée, fiable et sans autorité centrale.

La cryptomonnaie

Est une monnaie numérique décentralisée, qui permet de transférer de la valeur directement
entre deux personnes, sans passer par un intermédiaire comme une banque. Elle est sécurisée
grâce à la cryptographie, et toutes les transactions sont enregistrées dans une blockchain, un
registre public, immuable et partagé entre tous les utilisateurs du réseau. L'idée des
cryptomonnaies est née dans les années 80-90, avec un groupe appelé les Cypherpunks,
composé d'informaticiens et de cryptographes soucieux de protéger la liberté et la vie privée
sur Internet. Le Bitcoin, lancé en 2009 par Satoshi Nakamoto, est la première cryptomonnaie
à avoir connu un succès mondial, grâce à sa technologie innovante. Son système repose sur
un mécanisme de consensus appelé Proof of Work (preuve de travail), dans lequel des
mineurs utilisent la puissance de calcul de leurs ordinateurs pour résoudre des énigmes
mathématiques et valider les blocs de transactions. En échange, ils reçoivent des Bitcoins,
mais cette récompense diminue tous les quatre ans lors du « halving ». Le Bitcoin utilise
l’algorithme de hachage SHA-256 pour sécuriser les données. Il n’y aura jamais plus de 21
millions de Bitcoins, ce qui garantit sa rareté. Grâce à ce système, Bitcoin constitue
aujourd’hui un réseau monétaire sécurisé, transparent, résistant à la fraude et à la censure.

Voici une explication claire et synthétique des défis (ou limites) de la blockchain, en
français :

⚠️ Les Défis de la Blockchain

Malgré ses nombreux avantages (sécurité, transparence, décentralisation…), la blockchain
fait face à plusieurs défis techniques, juridiques et pratiques.

1. 🧱 Scalabilité (passage à l’échelle)

• Les blockchains comme Bitcoin ou Ethereum ont une capacité limitée de

transactions par seconde (ex : Bitcoin ≈ 7 tps).
• Cela ralentit le réseau lorsque trop d’utilisateurs sont actifs.
• Solutions en développement : Layer 2, sharding, rollups...

2. ⚡ Consommation d’énergie

• Le minage (Proof of Work) consomme énormément d’électricité (surtout pour

Bitcoin).
• Cela soulève des critiques écologiques.
• Solution : passage à des mécanismes comme Proof of Stake (ex : Ethereum 2.0).
3. ⚖️ Cadre juridique incertain

• Les lois sur les cryptomonnaies et la blockchain varient d’un pays à l’autre.
• De nombreux projets ne savent pas s’ils sont légaux, régulés, ou interdits.
• Besoin d’un cadre légal clair pour protéger les utilisateurs et encourager
l’innovation.

4. 🛡️ Sécurité des contrats intelligents (Smart Contracts)

• Les smart contracts sont publics et auto-exécutables, mais :

o Une erreur dans le code peut être catastrophique.
o Exemple : le piratage de The DAO en 2016.
• Nécessité d’audits rigoureux et d’outils de vérification de sécurité.

5. 👥 Adoption par le grand public

• Technologie encore complexe à comprendre et à utiliser.

• Interfaces pas toujours conviviales.
• Besoin d’améliorer l’expérience utilisateur (UX) et l’éducation des utilisateurs.

6. 🔗 Interopérabilité entre blockchains

• Les différentes blockchains (Ethereum, Bitcoin, Solana…) ne communiquent pas bien

entre elles.
• Cela limite l’échange d’informations et d’actifs.
• Développement de ponts (bridges) et de protocoles inter-blockchains.

Voici une introduction claire et simple au Deep Learning (apprentissage profond) :

🤖 Qu’est-ce que le Deep Learning ?
Le Deep Learning est une branche de l’intelligence artificielle (IA) qui consiste à entraîner
des réseaux de neurones artificiels très profonds (avec plusieurs couches), pour permettre à
une machine d’apprendre des tâches complexes comme :

• Reconnaître des images (ex : visage, objet)

• Comprendre le langage naturel (traduction, assistant vocal)
• Jouer à des jeux (échecs, go)
• Conduire une voiture autonome

🧠 Comment ça marche ?
• Le réseau de neurones est organisé en couches (input, couches cachées, output).
• Chaque couche transforme les données reçues en informations plus abstraites.
• Le réseau apprend en ajustant automatiquement des poids internes via un processus
appelé rétropropagation.
• Plus il y a de couches, plus le réseau peut apprendre des représentations complexes.

🛠️ Exemples d’applications concrètes :

• Reconnaissance vocale (Siri, Alexa)
• Détection de fraude bancaire
• Diagnostic médical par imagerie
• Traduction automatique
• Voitures autonomes

⚙️ En résumé :
Le Deep Learning permet aux ordinateurs d’apprendre à partir de grandes quantités de
données, en imitant le fonctionnement du cerveau humain via des réseaux de neurones
profonds.

Très bien ! Voici une synthèse claire et structurée de tout ce qui concerne l'Intelligence
Artificielle (IA), avec les principaux domaines, concepts, techniques et applications.
🤖 Intelligence Artificielle (IA) – Vue d'ensemble

🔍 Définition :

L’IA (Intelligence Artificielle) désigne des systèmes capables de simuler l’intelligence

humaine, c’est-à-dire apprendre, raisonner, percevoir, prendre des décisions et résoudre
des problèmes.

🧱 Les grandes branches de l’IA :

1. 📊 Machine Learning (Apprentissage automatique)

L’ordinateur apprend à partir de données sans être explicitement programmé.

• Apprentissage supervisé (avec exemples étiquetés)

• Apprentissage non supervisé (clustering)
• Apprentissage par renforcement (agent qui apprend par essais/erreurs)

2. 🧠 Deep Learning (Apprentissage profond)

Une sous-branche du Machine Learning utilisant des réseaux de neurones artificiels

profonds.

• Très utilisé pour les images, sons, vidéos, texte

• Algorithmes : CNN, RNN, LSTM, Transformers…

3. 📚 Traitement du Langage Naturel (NLP)

Enseigne à l’ordinateur à comprendre et produire le langage humain.

• Traduction automatique
• Chatbots
• Résumé de texte
• Détection de sentiments

4. 👁️ Vision par ordinateur (Computer Vision)

Permet aux machines de voir et comprendre les images ou vidéos.

 • Reconnaissance faciale
• Détection d’objets
• Lecture automatique de plaques d'immatriculation (LAPI)

5. 🤖 Robotics et Agents intelligents

L'IA intégrée dans des robots ou systèmes physiques.

• Robots autonomes
• Drones intelligents
• Voitures sans conducteur

🔬 Techniques utilisées en IA :
• Réseaux de neurones artificiels
• Algorithmes génétiques
• Logique floue
• Systèmes experts
• Arbres de décision
• SVM, KNN, Naive Bayes

🧠 Outils & langages pour faire de l’IA :

• Langages : Python (le plus populaire), R, Java, Julia
• Bibliothèques Python :
o Scikit-learn (machine learning)
o TensorFlow / Keras (deep learning)
o PyTorch (deep learning)
o NLTK / spaCy (traitement du langage)

💼 Domaines d'application de l’IA :

Secteur Applications
Santé Diagnostic médical, imagerie, prévisions épidémiologiques
Finance Détection de fraude, analyse de marché
 Transport Voitures autonomes, gestion du trafic
E-commerce Recommandations, chatbots clients
Éducation Systèmes d’apprentissage adaptatifs, correction automatique
Médias Génération d’images, filtres, reconnaissance vocale
Droit Analyse de documents juridiques, prédiction de décisions

⚠️ Défis éthiques et techniques :

• Biais algorithmiques
• Respect de la vie privée
• Responsabilité en cas d’erreur
• Explicabilité des décisions (IA boîte noire)
• Automatisation et emploi

🧠 Qu’est-ce qu’un perceptron ?

Le perceptron est le modèle de base d’un neurone artificiel, inspiré du fonctionnement du
cerveau humain.

Il a été introduit en 1958 par Frank Rosenblatt.

C’est la brique de base des réseaux de neurones.

📊 Structure du perceptron :
Un perceptron prend :

• Plusieurs entrées (inputs) : x₁, x₂, ..., xn

• Chacune est pondérée par un poids w₁, w₂, ..., wn
• Il fait une somme pondérée :

z=w1x1+w2x2+...+wn⋅xn+bz = w₁x₁ + w₂x₂ + ... + wn·xn + b

où b est le biais (bias), un petit ajustement.

• Ensuite, on applique une fonction d’activation (souvent step ou sigmoïde) :

y=f(z)y = f(z)
⚙️ Fonctionnement du perceptron simple :

🧮 Étapes :

1. Il reçoit des valeurs d’entrée (par exemple : pixel noir/blanc, données numériques…)
2. Il calcule une somme pondérée des entrées.
3. Il applique une fonction d’activation pour donner une sortie (0 ou 1).
4. Lors de l'entraînement, il ajuste les poids si la sortie est incorrecte (c'est
l'apprentissage).

📌 Exemple numérique :
Soit un perceptron avec :

• Entrées : x₁ = 1, x₂ = 0
• Poids : w₁ = 0.6, w₂ = -0.4
• Biais : b = 0.2

Calcul :

z=(1×0.6)+(0×−0.4)+0.2=0.6+0+0.2=0.8z = (1×0.6) + (0×-0.4) + 0.2 = 0.6 + 0 + 0.2 =

0.8

Si on utilise la fonction step, alors :

f(z)=1 si z>0 sinon 0⇒f(0.8)=1f(z) = 1 \text{ si } z > 0 \text{ sinon } 0 \Rightarrow f(0.8) = 1

🧱 Limites du perceptron simple :

• Il ne peut traiter que des problèmes linéaires (comme ET/OU).
• Il ne peut pas résoudre des fonctions non-linéaires comme le XOR .

Solution : utiliser des réseaux de neurones multicouches (perceptron multicouche ou

MLP), ce qui mène au deep learning.
📚 Résumé en image (structure d’un perceptron) :
x1 ---\
>----( w1*x1 + w2*x2 + b ) ---> f(z) ---> y (0 ou 1)
x2 ---/
Voici un paragraphe clair et complet sur la définition et l’histoire de l’intelligence
artificielle (IA) :

L’intelligence artificielle (IA)

désigne un ensemble de techniques permettant à des machines de simuler certaines

capacités humaines comme le raisonnement, l’apprentissage, la perception ou la prise de
décision. Le concept est né officiellement en 1956, lors de la conférence de Dartmouth aux
États-Unis, où des chercheurs comme John McCarthy ont posé les bases de ce nouveau
domaine. Dans les années 1960-1970, l’IA s’est concentrée sur les systèmes experts capables
de résoudre des problèmes spécifiques, puis a connu des phases de stagnation par manque de
puissance de calcul. Ce n’est qu’avec l’essor d’Internet, des big data et des processeurs
graphiques (GPU) dans les années 2010 que l’IA, notamment le deep learning, a connu un
développement rapide et impressionnant. Aujourd’hui, l’IA est utilisée dans presque tous les
secteurs : santé, finance, industrie, agriculture, éducation, et même médecine vétérinaire.

1. TPE = Traitement du Perceptron Élémentaire

• Cela pourrait désigner une partie du cours qui traite du perceptron (modèle de base
en IA)
• Exemple : fonctionnement du neurone artificiel, calcul des poids, fonction
d’activation

2. VET = Vecteurs d’entrée et de traitement

• Cela peut être une abréviation utilisée par ton prof pour désigner :
o Vecteurs d’entrée (input vector) → les données qu’on donne à l’IA
o Ou Vecteurs d’entraînement → les données utilisées pour entraîner le
modèle

Parfait ! Voici une explication complète, claire et illustrée du perceptron, aussi appelé
neurone artificiel, qui est la brique de base du deep learning.
🧠 Qu’est-ce qu’un perceptron ?
Un perceptron est un modèle mathématique de neurone artificiel. Il reçoit des données
d’entrée, effectue un calcul pondéré, puis produit une sortie. Il est à la base des réseaux de
neurones profonds (deep learning).

🧱 Structure d’un perceptron :

x₁ -----\
x₂ ------> [ Σ (wᵢ·xᵢ) + b ] --> f(z) --> y
x₃ -----/

⚙️ Éléments :

Élément Rôle
x₁, x₂... Entrées (features : image, texte, chiffres…)
w₁, w₂... Poids (importance de chaque entrée)
b Biais (permet de décaler la fonction)
Σ Somme pondérée des entrées
f(z) Fonction d’activation (sigmoïde, ReLU, etc.)
y Sortie du neurone (0, 1 ou une valeur continue)

🔢 Exemple simple (avec calcul) :

Entrées :

• x₁ = 1, x₂ = 0
• Poids : w₁ = 0.6, w₂ = -0.4
• Biais : b = 0.2

Étapes :

1. Calcul de la somme pondérée :

z=(1×0.6)+(0×−0.4)+0.2=0.6+0+0.2=0.8z = (1×0.6) + (0×-0.4) + 0.2 = 0.6 + 0 + 0.2 =

0.8

2. Fonction d’activation (step ou sigmoïde) :

a. Si step : f(z) = 1 car 0.8 > 0
 b. Si sigmoïde : f(z) ≈ 0.69 (valeur entre 0 et 1)

🧠 À quoi ça sert ?
Le perceptron simple :

• Sert à faire des classifications binaires (ex : chat ou chien, spam ou pas spam)
• Ne peut résoudre que des problèmes linéaires (comme ET, OU)

🔁 Limites et extension :

• Il ne peut pas résoudre le problème XOR (non-linéaire)

• Solution : utiliser plusieurs perceptrons connectés entre eux = réseau de neurones
(multilayer perceptron, MLP)

🧠 Perceptron vs Réseau de neurones

Modèle Profondeur Capacité
Perceptron simple 1 couche Problèmes linéaires
Réseau multicouche 2+ couches Problèmes complex

Bien sûr ! Voici un texte complet et structuré qui rassemble toutes les informations
importantes sur les LLM (modèles de langage de grande taille), en français :

🧠 Les LLM – Modèles de Langage de Grande Taille :

Contexte, Fonctionnement et Usages
L’intelligence artificielle a connu une avancée majeure avec l’apparition des LLM (Large
Language Models), ou modèles de langage de grande taille. Ces modèles, comme
ChatGPT, sont capables de comprendre, générer et manipuler le langage humain, grâce à
leur entraînement sur des données textuelles massives telles que des livres, des sites web,
des articles scientifiques ou des conversations.
Un LLM fonctionne en utilisant des réseaux neuronaux avancés, notamment le modèle
Transformer, pour prédire le mot suivant dans une phrase. Cette capacité permet au
modèle de rédiger des textes cohérents, de répondre à des questions, de traduire des langues,
ou encore d’analyser des documents. Plus un LLM contient de paramètres (des milliards
dans certains cas) et a été entraîné sur de grandes quantités de données, plus il devient
puissant et précis.

Les domaines d'application des LLM sont extrêmement variés :

• En éducation, ils assistent les élèves dans la compréhension de cours, la rédaction ou

les révisions.
• En entreprise, ils rédigent des emails, des rapports, créent des contenus marketing ou
automatisent des FAQ.
• En programmation, ils génèrent du code, corrigent des erreurs ou expliquent des
algorithmes.
• En écriture créative, ils aident à rédiger des histoires, des dialogues, des chansons ou
des poèmes.
• Dans le service client, ils sont au cœur des chatbots intelligents, capables de
répondre 24h/24.

Parmi les LLM les plus connus figurent :

• GPT (OpenAI), utilisé dans ChatGPT et Codex

• Claude (Anthropic) Gemini (Google)

Un vecteur d’embedding
Est une représentation numérique qui permet de traduire des données complexes
comme des mots, des phrases ou des images en une suite de nombres
compréhensibles par une machine. Cette transformation permet aux algorithmes
d’intelligence artificielle de comparer et comprendre le sens ou la similarité entre
différentes informations. Par exemple, les mots « roi » et « reine » auront des vecteurs
proches car leurs significations sont liées, tandis que « roi » et « pomme » seront
éloignés car ils n’ont rien en commun. Ces embeddings sont essentiels dans de
nombreux domaines comme la traduction automatique, les moteurs de recherche, les
assistants vocaux ou les systèmes de recommandation. Ils sont produits par des
modèles comme Word2Vec, GloVe ou BERT, et permettent à l’IA de traiter le
langage ou les images de manière plus intelligente et contextuelle.
🧠 Qu’est-ce que le Prompt Engineering ?
Le prompt engineering consiste à formuler avec précision et stratégie les questions ou
instructions que l’on donne à une intelligence artificielle, notamment à des modèles de
langage (LLM) comme ChatGPT.

L’objectif est d’optimiser la qualité, la pertinence et la clarté des réponses générées par
l’IA en concevant des prompts bien structurés, complets et contextualisés.

Une bonne ingénierie des prompts peut inclure :

• Donner des consignes claires et détaillées

• Poser des questions spécifiques plutôt que vagues
• Fournir des exemples ou un cadre précis
• Utiliser un langage simple ou technique selon le besoin

🎯 Pourquoi c’est important ?

• Pour obtenir des réponses précises et adaptées
• Pour éviter les réponses hors sujet ou trop générales
• Pour guider l’IA vers un style, un format ou un niveau d’expertise particulie