GUIDE D'UTILISATION DES INTELLIGENCES ARTIFICIELLES GÉNÉRATIVES
Auteur : Patrick Mainil (Août 2025)
INTRODUCTION
L'intégration de l'intelligence artificielle (IA) générative dans les flux de travail de l'ingénierie
électrique représente une transformation fondamentale des méthodes de recherche, de
conception et de dépannage. Cependant, pour exploiter ce potentiel de manière sécuritaire
et efficace, une compréhension approfondie de la nature de ces outils est non seulement
recommandée, mais impérative.
Analyse de l'architecture des LLM
Le fonctionnement des LLM repose sur des réseaux de neurones artificiels, des structures
logicielles inspirées du cerveau humain.
Lorsqu'un LLM répond à une question, le processus se déroule en deux phases principales,
et c'est la première qui est cruciale pour comprendre pourquoi la réponse n'est pas qu'un
simple enchaînement de mots probables.
Phase 1 : La déconstruction de la question (analyse)
Avant même de générer le premier mot de sa réponse, le modèle effectue une analyse
profonde de votre question.
1. Compréhension contextuelle : Le modèle ne lit pas "Quelle est la différence entre
un disjoncteur et un fusible?". Il transforme cette phrase en une représentation
mathématique (des vecteurs) où chaque mot est défini par ses relations avec tous
les autres mots de la phrase. Il "comprend" que "différence" est le mot-clé de
l'opération à effectuer, et que "disjoncteur" et "fusible" sont les deux concepts à
comparer.
2. Activation des connaissances : Votre question, une fois transformée en cette
représentation mathématique, agit comme une clé qui "active" des zones
spécifiques de son immense réseau de neurones. Ces zones correspondent aux
schémas, concepts et informations qu'il a appris sur les disjoncteurs, les fusibles, la
sécurité électrique, les surintensités, etc., lors de son entraînement.
À ce stade, le modèle n'a encore rien écrit, mais il a créé un état interne très complexe qui
représente une "intention de réponse" basée sur l'analyse de votre question. À l’origine cet
état interne était basé sur un réseau de neurones unique mais sur certains modèles plus
récent il peut également activer des « expertises » qui pourront être sollicitée pour générer la
réponse.
Phase 2 : La génération de la réponse (synthèse)
En partant de son état interne qui lui donne les éléments de la réponse, il générera la réponse
en enchaînant les mots.
1. Le premier mot : Le modèle ne choisit pas le mot le plus probable dans l'absolu,
mais le mot le plus probable pour commencer une réponse à votre question
spécifique. Par exemple, après avoir analysé votre question, la probabilité que la
réponse commence par "La" ou "Un" est bien plus élevée que "Pourtant" ou
"Demain".
2. L'enchaînement guidé : Chaque mot généré est immédiatement ajouté au contexte.
Donc, pour prédire le troisième mot, le modèle prend en compte votre question
initiale + les deux premiers mots qu'il a générés. Ce processus itératif garantit que la
phrase reste cohérente et pertinente par rapport à l'intention de départ.
Attention : cohérent ne dit pas véridique. Les hallucinations reste le principal piège des IA
génératives.
Le phénomène des hallucinations : une propriété, pas un bug
Le terme "hallucination" en IA désigne une réponse générée qui est factuellement incorrecte,
incohérente, absurde ou entièrement fabriquée, bien que souvent présentée avec une
assurance et une fluidité linguistiques déconcertantes. Il ne s'agit pas d'un "bug"
occasionnel, mais d'une conséquence directe de la manière dont les LLM sont conçus. Les
causes profondes des hallucinations sont multiples :
1. Données d'entraînement biaisées, incomplètes ou erronées : Les LLM apprennent
à partir de données issues d'Internet et d'autres sources. Si ces données contiennent
des erreurs, des biais ou des informations obsolètes, le modèle les apprendra et les
reproduira.
2. Surajustement (overfitting) : Pendant l'entraînement, un modèle peut "mémoriser"
des exemples spécifiques de ses données d'entraînement au lieu d'apprendre à
généraliser les principes sous-jacents. Face à une question nouvelle mais similaire,
il peut alors générer une réponse incorrecte en se basant sur une extrapolation
erronée de sa mémoire.
3. Absence d'ancrage (lack of grounding) : C'est la cause la plus critique pour les
applications techniques. Un LLM n'a pas de connexion intrinsèque à une base de
connaissances vérifiée ou au monde réel. Il ne "sait" pas que le Code Canadien de
l'Électricité est un document officiel avec des articles précis. Il ne connaît que les
motifs de mots associés à ce titre. Par conséquent, il peut générer des numéros
d'articles, des citations de normes ou des formules physiques qui semblent
parfaitement plausibles mais qui sont entièrement inventés. Des études ont montré
que même des modèles avancés comme GPT-4 peuvent présenter un taux
d'hallucination significatif.
Pour un professionnel du génie électrique, les implications sont graves. Une citation de
norme erronée, un calcul de charge basé sur une formule incorrecte, ou une procédure de
dépannage dangereuse peuvent compromettre la sécurité des installations, la conformité
réglementaire et la crédibilité de l'entreprise. Les plus grandes craintes ne concernent pas
les erreurs évidentes, mais les erreurs plausibles et bien formulées, qui sont plus
insidieuses.
La technique de la génération augmentée par récupération
Pour contrer cette tendance à l'invention, une solution a été développée puis incorporée aux
modèles : la génération augmentée par récupération. Le principe est d'ancrer la réponse du
LLM dans un ensemble de données externes et fiables fournies par l'utilisateur.
Dans la pratique, cela signifie qu’il est désormais possible de téléverser un document de
confiance — par exemple, le PDF officiel d’une norme ou du code électrique — pour ensuite
demander à l'IA de baser sa réponse uniquement et exclusivement sur les informations
contenues dans celui-ci. En limitant ainsi le champ de connaissances du modèle à une
source contrôlée et validée, le risque d'hallucination est considérablement réduit. Cette
technique transforme le LLM d'un "savant" peu fiable en un assistant de recherche
extrêmement puissant et focalisé.
Introduction au concept de fenêtre de contexte
Si la génération augmentée par récupération ancre l'IA dans des documents de confiance, la
fenêtre de contexte définit la quantité d'informations que le modèle peut "voir" et traiter à un
instant T. C'est un espace de travail temporaire qui contient tout ce qui est pertinent pour la
prochaine réponse du modèle.
Concrètement, la fenêtre de contexte englobe :
• Votre question (le prompt).
• L'historique des échanges précédents au sein de la même conversation.
• Les documents que vous lui avez fournis (par exemple, les pages d'une norme
électrique).
La taille de cette fenêtre de contexte n'est pas mesurée en mots ou en pages, mais en jetons
(tokens). Un jeton est la brique de base avec laquelle le modèle "lit" et "écrit". En français, un
jeton correspond souvent à un mot court ou à une partie d'un mot plus long. Par exemple, la
phrase "Le disjoncteur a déclenché" pourrait être décomposée en 5 jetons : ["Le", " disjonct",
"eur", " a", " déclenché"].
Chaque modèle de langage (LLM) possède une fenêtre de contexte de taille maximale fixe
(par exemple, 4 000, 16 000, voire plus de 100 000 jetons pour les modèles les plus récents).
L'implication cruciale : une mémoire limitée
Le caractère fini de cette fenêtre a des conséquences directes et fondamentales sur
l'utilisation de l'IA en ingénierie :
1. Limitation de l'analyse documentaire : C'est l'implication la plus directe. Si la
fenêtre de contexte d'un modèle est de 16 000 jetons, vous ne pouvez pas lui faire
analyser un document technique qui en représente 50 000. Le modèle ne pourra
simplement pas "lire" l'intégralité du document en une seule fois. Il est donc impératif
de sélectionner les sections pertinentes d'un document volumineux ou d'utiliser des
stratégies de découpage pour interroger de vastes corpus de données.
2. L'amnésie conversationnelle : Dans une longue conversation de dépannage ou de
conception, les premières instructions ou les données fournies au début peuvent
être "poussées hors" de la fenêtre de contexte à mesure que de nouveaux messages
s'ajoutent. L'IA peut alors "oublier" une contrainte de conception cruciale que vous
aviez mentionnée 20 messages plus tôt, menant à des réponses incohérentes ou
incorrectes par rapport à l'objectif initial.
Comprendre et gérer la fenêtre de contexte est donc tout aussi important que de savoir
formuler une bonne question. C'est une compétence essentielle pour éviter les erreurs
subtiles qui découlent non pas d'une "hallucination", mais simplement des limites
architecturales de l'outil.
Analyse comparative des grands modèles de langage (LLM)
Les grands modèles, tels que les séries GPT d'OpenAI, Claude d'Anthropic et Gemini de
Google, dominent le marché. Leurs performances varient toutefois de manière significative
selon le domaine d’application et il peut être sage de prendre le temps de sélectionner le bon
modèle en fonction des tâches à réaliser.
• Série GPT (OpenAI) : Les modèles d’Open AI, comme GPT-4o et Microsoft CoPilot,
sont des outils polyvalents, bénéficiant d'un vaste écosystème. Ils sont
particulièrement performants pour la génération de contenu créatif, la rédaction de
textes et l'assistance générale à la programmation. L’incorporation d’un interpréteur
Python leur permet à la fois de résoudre des problèmes complexes et de porter
assistance aux programmeurs utilisant ce langage. Leur fenêtre de contexte est
toutefois limitée : à peine 8000 jetons pour la version gratuite et 128000 jetons pour
les versions payantes. Ils ont ainsi de la difficulté à suivre les longues conversations,
à résoudre les problèmes complexes ou à analyser les documents comptant un
grand nombre de pages.
• Série Gemini (Google) : Le principal avantage des modèles Gemini, notamment
Gemini 2.5 Pro, réside dans leur fenêtre de contexte exceptionnellement grande,
capable de traiter jusqu'à un ou deux millions de jetons, soit l'équivalent de milliers
de pages de texte. Cette capacité est idéale pour analyser des corpus de recherche
entiers, des manuels techniques complets ou des bases de code étendues. Étant
intégrés à l'écosystème Google, ils excellent également dans la récupération
d'informations et la synthèse des données provenant du web. Notez, toutefois, que
leur fenêtre de contexte est réduite à 32 000 jetons pour les versions gratuites.
• Série Claude (Anthropic) : Les modèles Claude, en particulier les versions les plus
récentes, sont souvent reconnus pour leur grande précision dans les tâches de
raisonnement complexe ainsi que pour leur capacité à générer du code. La fenêtre
de contexte du modèle Sonnet 4 est de 64 000 jetons. Ce qui en fait le modèle gratuit
ayant la plus grande fenêtre de contexte, un argument important en faveur de ce
modèle pour ceux et celles qui ne désirent pas souscrire à un abonnement.
Formulation de requêtes efficaces
Vient l’étape cruciale : la formulation des questions et requêtes qui permettra d’exploiter les
IA génératives à leur plein potentiel. Voici quelques suggestions de stratégie à utiliser.
• Requêtes claires et précises:
Cette technique de base consiste à formuler des requêtes claires et précises qui
éviteront à l’IA d’avoir à interpréter votre requête. L’interprétation des requêtes floues
risque non seulement de générer des erreurs mais aussi d’utiliser des ressources qui
seraient mieux consacrées à la résolution du problème posé.
Exemple d'application :
Décris les étapes et les tests clés pour la maintenance préventive annuelle d'un
transformateur de puissance de 10 MVA, immergé dans l'huile, en te basant sur les
pratiques standard de l'industrie comme la norme CSA Z463.
• Méthode de la chaîne de pensées :
Cette technique consiste à demander explicitement à l'IA de "penser à voix haute" en
détaillant son raisonnement étape par étape. Cela force le modèle à suivre un
processus logique plutôt que de sauter directement à une conclusion intuitive (et
potentiellement fausse). C'est la technique la plus importante pour les problèmes de
calcul, de diagnostic ou d'analyse logique. Certaines IA appliqueront
automatiquement cette contrainte.
Exemple d'application :
Calcule la chute de tension en pourcentage pour un conducteur en cuivre de calibre
2 AWG, long de 120 mètres, alimentant une charge continue de 80 A dans un circuit
monophasé de 240 V. Montre chaque étape de ton calcul, y compris la recherche de
la valeur de résistance du conducteur (en ohms par kilomètre) dans les tables du
Code Canadien de l'Électricité, l'ajustement pour la longueur, le calcul de la chute de
tension en volts, et enfin le calcul du pourcentage.
• Gestion active de la base de connaissance :
La méthode la plus robuste pour garantir la provenance et la fiabilité des informations
est de ne pas laisser l'IA puiser dans sa vaste et incontrôlable base de connaissances
interne. L’utilisateur doit plutôt définir lui-même l'univers factuel dans lequel l'IA va
opérer. En pratique, cela signifie de téléverser un ensemble de documents de
confiance (fiches techniques, normes pertinentes, articles de recherche validés) et
de contraindre le modèle à utiliser ceux-ci.
Exemple d'application :
En te basant sur le document 'Fiche_technique_Disjoncteur_ABC-[Link]' que je t'ai
fourni, quelle est la valeur du couple de serrage recommandée, en Newton-mètres
(N·m), pour les bornes de ligne et de charge de ce disjoncteur ?
• Décomposition en sous-problèmes :
Cette technique consiste à décomposer un problème complexe en une série de
sous-tâches plus petites et plus faciles à gérer. L'IA est ensuite guidée pour résoudre
chaque sous-tâche séquentiellement. C'est une approche idéale pour la
planification de projets, la conception de systèmes complexes ou la création de
procédures détaillées car elle permet à l’IA d’allouer davantage de ressources à
chacune des parties du problème posé.
Exemple d'application :
Je dois élaborer un plan de mise en service pour une nouvelle sous-station électrique.
Décompose cette tâche en étapes principales. Commence par l'étape 1 :
'Vérifications préliminaires et sécurité'. Liste les sous-points clés pour cette étape.
Une fois que tu auras terminé, attends ma confirmation avant de passer à l'étape 2 :
'Tests des équipements individuels (transformateurs, disjoncteurs)'.
• Formulation par exemples :
Il est parfois difficile de préciser le style ou le format de sortie désiré. L’utilisation
d’exemples, sous forme d’extraits ou de fichiers, permet de contourner cette
difficulté. Le modèle apprend de ces exemples pour générer une nouvelle sortie qui
respecte la même structure et le même style. C'est extrêmement utile pour
standardiser la documentation technique, générer des rapports de test ou créer des
entrées dans le journal de maintenance. Il est également possible de fournir un
exemple de démarche (et des erreurs à éviter) pour des problèmes types à résoudre.
Exemple d'application :
Je dois rédiger des notes pour un rapport destiné à la direction. Le style doit être
formel, concis et structuré. Voici un exemple du style de rédaction final que je veux
obtenir. Il concerne un transformateur :
Sujet : Transformateur T-02 - Risque de fiabilité élevé.
Constat : Notre analyse montre que le transformateur T-02 opère
constamment au-delà de sa température sécuritaire. Ceci accélère son
vieillissement et pose un risque de panne imprévue, ce qui paralyserait la
production de la ligne 3.
Recommandation : Planifier le remplacement du T-02 lors du prochain arrêt
de maintenance.
Maintenant, en utilisant exactement le même style formel et la même structure
(Sujet, Constat, Recommandation), rédige une note pour le problème suivant, qui m'a
été décrit de façon très informelle :
« Écoute, j'ai les résultats de l'étude d'arc-flash pour le MCC-04, et c'est pas
génial. On est à 12 cal/cm². Concrètement, ça veut dire que les gars doivent
enfiler le gros kit 'bonhomme Michelin' de catégorie 2 juste pour actionner le
sectionneur. C'est lourd, ça ralentit tout le monde, et franchement, c'est pas
pratique. Faite de quoi pour régler ça. »
• Méthode du jeu de rôle :
Cette méthode consiste à attribuer un rôle spécifique à l'IA de façon à l’aider à
contextualiser sa base de connaissances (les expertises à utiliser) et à déterminer le
ton et le niveau technique approprié. Cela permet d'obtenir des réponses beaucoup
plus spécialisées et pertinentes.
Exemple d'application :
Tu es un spécialiste senior du support technique pour un fabricant de variateurs de
fréquence. Ta spécialité est le dépannage du modèle "PowerFlex 525".
La situation : Je suis un technicien en génie électrique et je suis devant l'armoire
électrique du variateur qui contrôle le convoyeur CV-102. Voici le problème : Le
variateur vient de se mettre en défaut. L'afficheur montre le code d'erreur 'F059 -
Safety Open'. Pourtant l'arrêt d'urgence n'est pas enclenché. Que faire?
• Révision et correction des textes
Cette technique est l'une des plus directes et productives. Elle consiste à fournir à
l'IA un texte existant (un courriel, une section de rapport, une note technique) et à lui
demander de l'améliorer selon des critères précis : correction orthographique et
grammaticale, clarification du propos, ajustement du ton (plus formel, plus concis),
etc. C'est une utilisation à faible risque qui permet de rehausser rapidement la qualité
de la communication écrite. Il est également possible de lui demander son avis sur le
contenu ou sur la démarche utilisée et de combiner cette approche avec les
précédentes.
Exemple d'application :
Tu es un enseignant en technologie du génie électrique et tu reçois le rapport que je
viens de te téléverser. Quelle rétroaction donnes-tu à ton étudiant? Quelle
amélioration lui recommanderais-tu d’apporter? Est-ce que tu as trouvé des erreurs
qu’il serait possible de corriger?
Stratégies de validation
Même avec des prompts parfaits, il faut garder à l’esprit que le risque d'hallucination n'est
jamais nul. Par conséquent, un protocole de validation robuste n'est pas seulement une
option, mais bel et bien une obligation professionnelle dès lors qu’une erreur pourrait
engendrer des conséquences fâcheuses.
Le principe fondamental de la mitigation des risques est que chaque information critique
générée par une IA doit être validée par un expert humain qualifié. La supervision humaine
est et restera la dernière et la plus importante ligne de défense contre les erreurs
potentiellement coûteuses ou dangereuses que l'IA pourrait suggérer. C’est l’humain qui
approuve qui en assume les responsabilités.
Voici quelques méthodes de validation :
• Recours aux sources primaires :
C'est la méthode de vérification la plus directe et la plus fiable. Si l'IA cite l’article d’une
norme, l’utilisateur doit ouvrir le document officiel et lire lui-même l'article. Si elle
mentionne une spécification pour un composant, il faut consulter la fiche technique
officielle du fabricant pour en confirmer la véracité.
• Recherches indépendantes :
Pour les affirmations de nature plus générales, il est possible de vérifier l’authenticité
d’une affirmation en effectuant des recherches indépendantes, sur le web ou dans des
livres de références. Cet exercice peut être aidé en demandant à l’IA de fournir ses
références ou de trouver des sites qui confirment ses affirmations. Bien entendu, la
crédibilité de la source trouvée devra être évaluée à son tour.
• Calculs indépendants :
Ne jamais accepter aveuglément un calcul effectué par un LLM. Les modèles de langage,
même les plus avancés, peuvent commettre des erreurs mathématiques, parfois
simples. Tout calcul critique (chute de tension, courant de court-circuit, coordination de
la protection) doit être refait, soit manuellement, soit à l'aide d'un logiciel d'ingénierie
validé et reconnu dans l'industrie. Lorsque la démarche n’est pas précisée, il est possible
d’utiliser la méthode de la chaine de pensée pour forcer l’IA à l’afficher sachant qu’il est
beaucoup plus facile de valider les calculs une étape à la fois.
• Technique du questionnement contradictoire :
Une méthode efficace pour tester la "conviction" de l'IA est de la mettre au défi. Après
avoir reçu une réponse initiale, l’utilisateur peut poser des questions de suivi critiquant
cette réponse ou demandant de trouver des alternatives. Une IA qui modifie
radicalement sa réponse, ou qui se contredit face à une légère pression, ne doit pas être
considérée comme fiable.
• Technique de la répétition :
Une autre méthode efficace pour tester la "conviction" de l'IA est de lui soumettre la
même question à quelques reprises dans des fils de discussion différents (pour éviter
que le contexte influence les nouvelles réponses). Les IA génératives étant des systèmes
probabilistes, il est probable qu’il y aura de légères différences entre chacune des
itérations. Encore une fois, cependant, des réponses radicalement différentes devraient
susciter des doutes sur la fiabilité des affirmations formulées.
Code de conduite pour l’utilisation des IA génératives
Dans les entreprises, l'utilisation de l'IA générative transcende le simple défi technique pour
devenir un enjeu de gouvernance, d'éthique et de gestion des risques. Au collège, la présence
des objectifs d’apprentissage rend la situation encore plus complexe. Il devient donc
impératif d’opérer dans un cadre de responsabilité clair et au collège cela se traduit par
l’adoption des trois principes suivants :
• Responsabilité : le principe le plus important est que l’étudiant demeure responsable
de l'intégralité des résultats produits. Un outil d'IA ne peut jamais être cité comme auteur
ou co-auteur d'un travail. Cet outil n’est qu’une source d’informations, qui d’ailleurs n’est
pas toujours crédible, et la responsabilité ultime de son utilisation incombe toujours à la
personne qui l'a consulté.
• Fiabilité : ce principe exige une vérification systématique et rigoureuse de toutes les
informations factuelles fournies par l'IA. Des sources et références externes doivent
donc être citées ou, au minimum, consultées à chaque fois que cela est nécessaire.
• Transparence : l'honnêteté professionnelle demande de divulguer de manière
transparente toute utilisation substantielle des IA génératives lors de la réalisation d’un
projet. Par utilisation substantielle on entend toute utilisation qui va au-delà de la
révision, de la correction ou de la reformulation des textes.
En entreprise, cette transparence est essentielle pour que les pairs, les clients et les
organismes de réglementation puissent évaluer correctement la méthodologie employée. En
classe, cette transparence facilitera le travail de l’enseignant qui vous évaluera.
Dans un contexte d’apprentissage il est également possible que votre enseignant vous
interdise l’utilisation de l’IA afin que vous ne deveniez pas dépendant de cet outil et que vous
puissiez développer vos propres habiletés. Il est important que vous respectiez ces
interdictions.
MISE EN SITUATION
L'IA peut être un excellent tuteur pour approfondir la compréhension de principes physiques
complexes. Utilisons l’exemple d’un étudiant désirant obtenir des explications sur le
phénomène de cavitation et de l’aide pour résoudre un problème posé par l’enseignant. Bien
entendu, il a l’autorisation de ce dernier.
Méthodologie :
1. Téléversement des documents de référence
L'étudiant téléverse le PDF des notes de cours du chapitre pertinent qui traite de la
mécanique des fluides et de la cavitation.
2. Prompt initial (jeu de rôle) :
Agis comme un tuteur en physique. En te basant uniquement sur le document
'Notes_Mecanique_Fluides.pdf' que je t'ai fourni, explique-moi le phénomène de la
cavitation dans une pompe centrifuge. Décompose ton explication en trois parties : les
conditions qui mènent à la formation de bulles de vapeur, l'effondrement de ces bulles
(implosion) et les conséquences pour la pompe. Si le document manque d'information
sur un de ces points, indique-le clairement.
3. Prompt de suivi (chaîne de pensées) :
Maintenant, aide-moi à résoudre ce problème : une pompe déplace de l'eau à 25°C
(pression de vapeur = 3.17 kPa) depuis un réservoir ouvert à l'atmosphère (101.3 kPa).
L'axe de la pompe est situé 1.5 mètre au-dessus du niveau de l'eau. Les pertes de charge
dans la tuyauterie d'aspiration sont estimées à 4 kPa. La pompe requiert un NPSH (Net
Positive Suction Head) de 3 mètres pour éviter la cavitation.
En utilisant la méthode de la chaîne de pensées, calcule le NPSH disponible (NPSHa) du
système et détermine si la cavitation va se produire. Montre chaque étape de ton calcul.
4. Prompt de validation (optionnel) : Es-tu certain de ta réponse? L’étape ou le calcul
utilisé à l’étape X de ta démarche m’apparait suspect. Peux-tu citer les références
utilisées dans les notes de cours?
5. Prompt de répétition (optionnel) : Répétition des requêtes dans une autre conversation.
Protocole de Vérification :
• Recours aux sources
L'étudiant vérifie la définition de la cavitation et la formule du NPSHa données par l'IA en
les comparant directement avec les notes de cours fournies par l’enseignant.
• Calculs indépendants
L'étudiant refait manuellement le calcul du NPSHa sur une feuille de papier pour valider
chaque étape et le résultat final obtenu par l'IA.
• Technique du questionnement contradictoire
L'étudiant demande explicitement à l’IA de revérifier ses calculs.
• Technique de la répétition
L'étudiant répète la requête pour valider si l’IA générative maintient sa réponse.