CHAPITRE 1 – Lois fondamentales / non fondamentales & lien avec l’IA

Résumé détaillé du chapitre

a) Comment les humains comprenaient le monde avant Newton

Aristote (–300 av. J.-C.)

 Il n’a ni instruments modernes ni maths avancées, il observe juste avec ses yeux.

 Il pense que le monde est fait de 4 éléments :

o Terre (va vers le bas)

o Eau (va vers le bas, mais moins vite)

o Air (monte)

o Feu (monte)

 Chaque élément a une “place naturelle” :

o une pierre tombe “par nature”,

o la fumée monte “par nature”.

 Pour lui :
Pas de force = pas de mouvement.
Si on arrête de pousser un objet, il doit s’arrêter.
(C’est logique sans notion de frottement, mais c’est faux.)

Il se trompe parce qu’il ne mesure rien : il ne fait pas d’expériences quantitatives.

Problème de Mars

Quand on observe Mars dans le ciel :

 parfois elle avance,

 parfois elle semble reculer,

 puis elle avance à nouveau.

C’est le mouvement rétrograde.

Le modèle d’Aristote (cercles parfaits, Terre au centre) ne l’explique pas bien.

Ptolémée (150 ap. J.-C.)

 Il veut sauver l’idée : “la Terre est au centre”.

 Il invente :

o un déférent = grand cercle,

o un épicycle = petit cercle sur lequel tourne la planète.

 La planète tourne sur un petit cercle qui lui-même tourne sur un grand cercle.
→ Ça imite le mouvement rétrograde, mais c’est du bricolage mathématique, pas une vraie
explication.
Ce modèle va quand même durer environ 1400 ans.

b) Les 4 “géants” avant Newton

Copernic (1543)

 Propose le modèle héliocentrique : le Soleil au centre.

 Les planètes tournent autour du Soleil.

 Ça simplifie beaucoup le mouvement apparent des planètes.

Mais il garde encore l’idée des cercles parfaits, donc ce n’est pas tout à fait juste.

Tycho Brahe

 Construit le plus grand observatoire sans télescope.

 Mesure les positions des planètes avec une précision énorme pour l’époque.

 Il améliore la précision d’un facteur 5.

 Ses données servent ensuite à Kepler et Newton.

Kepler

À partir des données de Tycho, il découvre 3 lois :

1. Les orbites sont des ellipses, pas des cercles.

o Le Soleil est dans un foyer de l’ellipse, pas au centre.

2. Loi des aires :

o Quand la planète est plus proche du Soleil, elle va plus vite.

o Quand elle est plus loin, elle va plus lentement.

3. Loi des périodes :

o Plus une planète est loin du Soleil, plus elle met de temps pour faire un tour.

Important :
Les lois de Kepler décrivent parfaitement le mouvement, mais n’expliquent pas pourquoi.

Galilée

 Il inaugure la science moderne :

o il observe,

o il mesure,

o il calcule,

o il écrit des lois mathématiques.

 Il découvre :

o la loi du pendule,
 o la loi de la chute des corps (accélération constante),

o avec sa lunette, il observe les satellites de Jupiter → ça confirme l’héliocentrisme.

Galilée montre par expérience que tous les corps tombent avec la même accélération g (dans le
vide).

c) Newton : unification des lois de la nature

Newton utilise :

 les données de Galilée,

 les lois de Kepler,

 les idées de la mécanique.

Il formule 3 lois :

1. Loi d’inertie

o Sans force → un objet garde sa vitesse (en ligne droite).

o Sans frottement → il n’y a aucune raison qu’il s’arrête.

→ Contradiction totale avec Aristote.

2. Loi fondamentale de la dynamique (2ᵉ loi)

∑ ¿ F
¿
m
a

o Somme des forces = masse × accélération.

o Plus la force est grande → plus l’accélération est grande.

o Plus la masse est grande → moins l’accélération est grande.

3. Action / réaction

o Si tu pousses sur un mur, le mur te pousse autant en retour.

o Tu appuies sur le sol → le sol te pousse → tu avances.

Chute des corps avec Newton

 Poids : P
¿
m
g

 2ᵉ loi : F
¿
m
a

Donc m
g
¿
m
→ a
¿
g
.
a

→ Tous les corps tombent avec la même accélération (dans le vide), ce que Galilée avait
mesuré.
Gravitation universelle

Newton comprend que :

 la même force qui fait tomber la pomme,

 est celle qui fait tourner la Lune autour de la Terre,

 et les planètes autour du Soleil.

Formule :
F
¿
G
m1 m2
d2

 Force attractive,

 Diminue en 1 / distance²,

 Augmente avec les masses.

C’est une loi fondamentale valable pour tout l’univers connu.

d) Einstein : quand Newton ne suffit plus

Newton fonctionne très bien à vitesse “normale”, mais à très grande vitesse et dans des champs
gravitationnels très forts, il se trompe.

Relativité restreinte (1905)

Deux postulats :

1. Les lois de la physique sont les mêmes dans tous les référentiels en mouvement rectiligne
uniforme.

2. La vitesse de la lumière est constante pour tous les observateurs (~300 000 km/s).

Conséquences :

 Dilatation du temps : plus on va vite, plus le temps “ralentit”.

 Contraction des longueurs : un objet très rapide apparaît plus court.

 E = mc² : masse et énergie sont deux formes d’une même quantité.

Relativité générale (1915)

 Einstein dit : la gravité n’est plus une force, mais une courbure de l’espace-temps.

 Image du drap avec une boule lourde : le drap se creuse, les petites billes tournent autour.

 La Terre déforme l’espace-temps, les objets suivent cette courbure.

e) Autres grandes lois fondamentales

Navier–Stokes

 Décrivent les mouvements des fluides : eau, air, sang, atmosphère…

 Base de la météo, de l’aviation, de l’océanographie.

Maxwell

 Unifient :

o électricité,

o magnétisme,

o lumière,

o ondes électromagnétiques (radio, Wi-Fi, 4G/5G, micro-ondes…).

Ce sont aussi des lois fondamentales.

f) Forces non fondamentales

Elles ne sont pas des “forces de base”, mais des résultats d’autres forces.

 Réaction du support : force normale du sol sur un objet.

 Tension du fil : force exercée par un fil tendu.

 Frottements :

o sol / surface (frottement solide),

o air / eau (frottement fluide).

 Force de rappel du ressort : F

¿
k
.
( ¿ L ¿−¿ L0 ¿ )

g) Lien avec l’IA (très important pour ton prof)

Ton prof compare :

 Galilée / Kepler = comme une IA :

ils observent beaucoup de données et trouvent des régularités, des lois empiriques (sans
cause profonde).

 Newton / Einstein = intelligence humaine :

ils inventent des théories générales qui expliquent les données et créent un nouveau cadre.

 L’IA moderne agit comme Galilée et Kepler :

elle apprend des données, repère des régularités, prédit…
mais ne découvre pas seule des lois fondamentales profondes comme Newton ou Einstein.
2) Ce que le prof veut qu’on apprenne (par cœur, prêt à réciter)

Je te l’écris comme des phrases à retenir.

a) Lois fondamentales vs non fondamentales

Loi fondamentale en physique : loi universelle, valable partout dans l’univers, qui décrit une
interaction de base (ex : gravitation, électromagnétisme, mécanique des fluides).
F

Exemples : la 2ᵉ loi de Newton ∑

¿
m
¿ F
, la loi de gravitation universelle
¿
G
m1 m2
, les équations
a
d2

de Maxwell pour l’électromagnétisme, les équations de Navier–Stokes pour les fluides.

Forces non fondamentales : forces qui résultent d’autres interactions (réaction du support, tension
d’un fil, frottements, force de rappel d’un ressort). Elles ne sont pas fondamentales car elles viennent
de la combinaison d’autres forces.

b) Formules essentielles

À savoir écrire (sans détailler la démonstration) :

 2ᵉ loi de Newton :
∑ ¿ F
¿
m
a

 Gravitation universelle :
F
¿
G
m1 m2
d2

 Poids :
P
¿
m
g

c) Noms des grands scientifiques (ordre)

Aristote → Ptolémée → Copernic → Tycho Brahe → Kepler → Galilée → Newton → Einstein.

Tu dois être capable de dire en une phrase pour chacun :

 Aristote : première “théorie” qualitative du mouvement (4 éléments, mouvement naturel).

 Ptolémée : modèle géocentrique avec épicycles.

 Copernic : modèle héliocentrique (Soleil au centre).

 Tycho : mesures astronomiques très précises.

 Kepler : 3 lois des mouvements planétaires (ellipses, aires, périodes).

 Galilée : naissance de la science moderne (expériences + maths, chute des corps).

 Newton : 3 lois + gravitation universelle (unifie terre + ciel).

 Einstein : relativité restreinte et générale (gravité = courbure de l’espace-temps).

d) Phrase clé sur le lien avec l’IA

À retenir :
L’IA moderne ressemble à Galilée et Kepler : elle apprend à partir de données et trouve des
régularités.
L’intelligence humaine (Newton, Einstein) crée des lois fondamentales et change le cadre théorique.
L’IA n’atteint pas ce niveau de compréhension causale.

CHAPITRE 2 – Solutions analytiques & CHAPITRE 3 – Solutions numériques / calcul numérique

Je regroupe ici, mais je sépare bien les deux parties comme ton prof.

Résumé détaillé : solutions analytiques

a) Qu’est-ce qu’une solution analytique ?

 On part d’une équation (souvent différentielle) donnée par une loi fondamentale (ex : 2ᵉ loi
de Newton).

 On cherche une formule mathématique qui donne la solution pour tout instant t.

 Exemple : pour un projectile sans frottements, on trouve :

o x
(¿ t ¿)
: mouvement horizontal,

o z : mouvement vertical.
(¿ t ¿)

 Ces formules utilisent des fonctions connues :

o puissances, exponentielles, logarithmes, sinus, cosinus…

Donc, une solution analytique, c’est :

→ une expression mathématique exacte, sous forme de formule.

b) Exemple du projectile sans frottements

On considère :

 un objet lancé avec :

o vitesse initiale V 0,

o angle α ,

o hauteur initiale z 0.

 On suppose :

o gravité constante g,

o pas de frottements (pas de vent).

Forces :

 seule force = poids P

¿
m
vers le bas.
g
On applique la 2ᵉ loi de Newton :

 Axe horizontal X :
pas de force → a x
¿ → vitesse horizontale constante.
0

 Axe vertical Z :
az
¿ (accélération vers le bas).
−¿ g

En intégrant (ton prof t’a dit que tu n’as pas besoin de savoir résoudre, juste comprendre l’idée), on
obtient :

 Position horizontale :
x
( ¿ t ¿ )
¿
V 0
c
o
s
α ⁡
¿
t

 Position verticale :
z
( t ¿
¿ )
¿
1
− ¿
2
g
2
t
+ ¿ V 0
s
i
n
α ⁡
¿
t
+ ¿ z 0

Ce sont les solutions analytiques du problème du projectile sans frottements.

c) Conditions initiales (CI)

Pour pouvoir calculer une solution analytique, il faut connaître :

 la vitesse initiale V 0,

 l’angle α ,

 la hauteur de départ z 0.

Ces valeurs sont les conditions initiales.

Elles déterminent toute la trajectoire.

d) Quand les frottements apparaissent

Si on ajoute une force de frottement, par exemple :

 F f
¿
−¿ k
,
v

les équations deviennent plus compliquées.

La solution analytique :

 contient des exponentielles,

 dépend de la masse, du coefficient k, etc.,

 devient très longue.

C’est pour ça qu’on préfère souvent une solution numérique.

Résumé détaillé : solutions numériques & calcul numérique classique

a) Idée générale d’une solution numérique

Quand on ne peut pas obtenir une formule analytique “belle”, on utilise l’ordinateur :

 On découpe le temps en petits pas de temps ( t 0

,
t 1
,
).
…

 À partir des lois physiques et des conditions initiales, on calcule :

o la nouvelle accélération,

o la nouvelle vitesse,

o la nouvelle position, à chaque pas.

On obtient :

 une suite de points de la trajectoire,

 ou un champ de valeurs (pression, température, vitesse…).

Pas de formule, mais des valeurs numériques → c’est une solution numérique.

b) Exemple : méthode d’Euler pour le projectile

Tu as :

1. Position initiale x 0
,
z 0

2. Vitesse initiale V

V
,
x 0

z 0

3. Accélération a x
,
az
connue par les forces.

Étape 1 – mise à jour de la position :

x 1
¿
x 0

+ ¿ V x 0
Δ
t
z 1
¿
z 0

+ ¿ V z 0
Δ
t

Étape 2 – mise à jour de la vitesse :

V x 1
¿
V x 0

( ¿ p a s d e f o r c e e n x ¿ )
V z 1
¿
V z 0
+ ¿ a z
Δ
t
¿
V z 0
− ¿ g
Δ
t

On répète ces deux étapes du temps t 0au temps final.

L’ordinateur calcule tous ces points très rapidement.

c) Erreurs et stabilité

À chaque pas, on commet une petite erreur :

 parce qu’on remplace la courbe vraie par un segment de droite.

Ce sont les erreurs de troncature.

Deux cas :

 Méthode stable : les petites erreurs restent petites.

 Méthode instable : les erreurs grandissent (ex : ressort dont l’amplitude augmente toute
seule).

Pour améliorer :

 on choisit un pas de temps plus petit Δ

t
→ plus précis, mais plus coûteux en calcul.

d) Rôle des ordinateurs, langages, binaire

Pour faire ces calculs, on a besoin :

 d’un algorithme (recette),

 d’un langage de programmation (Python, C, Fortran…),

 d’un ordinateur (CPU, GPU, supercalculateur).

Les ordinateurs fonctionnent en binaire :

 0 = pas de courant,

 1 = courant.

Les nombres réels (ex : 0,1) sont approximés → il y a des erreurs d’arrondis qui s’ajoutent aux erreurs
de troncature.

On utilise :

 CPU = processeur généraliste,

 GPU = très bon pour faire beaucoup de petits calculs en parallèle (utile en IA),

 clusters / supercalculateurs = énorme puissance pour météo, astrophysique, IA, etc.

3) Ce que le prof veut qu’on apprenne par cœur (pour chapitres 2 & 3)

Je te mets des phrases à recopier / relire directement.

a) Définition de solution analytique

Solution analytique :
Une solution analytique est une formule mathématique exacte qui donne la valeur de la quantité
cherchée (position, vitesse, température, etc.) pour chaque instant ou chaque point de l’espace.
Elle s’exprime à l’aide de fonctions connues (polynômes, exponentielles, logarithmes, sinus,
cosinus…).
Connaître cette formule suffit pour calculer et tracer la solution.
b) Définition de solution numérique

Solution numérique :
Une solution numérique est une approximation obtenue en calculant, à l’aide d’un ordinateur, des
valeurs de la solution à des instants et à des points discrets (maillage).
On ne connaît pas de formule exacte ; on ne dispose que d’un grand ensemble de données
numériques qui approchent la solution.

c) Conditions initiales (CI)

Conditions initiales (CI) :

Ce sont les valeurs de départ nécessaires pour déterminer une solution : par exemple la position
initiale, la vitesse initiale, l’angle de départ, la hauteur initiale.
Sans conditions initiales, on ne peut pas calculer la trajectoire.

d) Méthodes numériques & pas de temps

Dans une méthode numérique, on fait avancer la solution pas à pas dans le temps, avec un pas de
temps Δ
t
.
Plus Δ
t
est petit, plus la solution est précise, mais plus il faut de calculs.
Les petites erreurs faites à chaque pas s’appellent erreurs de troncature.

Méthode d’Euler :
À chaque pas, on met à jour la position avec l’ancienne vitesse, puis la vitesse avec l’accélération.
C’est la méthode de base pour construire numériquement une trajectoire.

e) Calcul numérique classique vs IA (préparation pour la suite)

Le calcul numérique classique est déterministe :

pour des mêmes données initiales, on obtient toujours la même solution.
L’IA moderne, elle, se base sur l’apprentissage statistique à partir de données (et peut intégrer du
hasard, comme dans les algorithmes génétiques).
CHAPITRE 4 – Historique & définition de l’IA

Résumé détaillé du chapitre

L’intelligence artificielle n’est pas apparue d’un coup. Son histoire alterne :

✔ périodes d’espoir et de progrès,

❄ périodes d’“hiver de l’IA” (arrêt de financement + stagnation).

a) Avant l’IA : l’idée de l’intelligence mécanique

 Depuis longtemps l'humain rêve de créer des machines qui pensent.

 Exemples historiques :

o automate joueur d’échecs (18e siècle),

o réflexion philosophique sur la machine-homme.

Mais tout change avec l’arrivée des ordinateurs.

b) Naissance officielle de l’IA : Conférence de Dartmouth – 1956

C’est important pour l’exam.

 C’est là que le mot “Artificial Intelligence” apparaît.

Les chercheurs présents (McCarthy, Minsky, Shannon…) définissent les objectifs :

 créer des machines capables d’apprendre,

 raisonner,

 s’améliorer,

 se généraliser,

 résoudre des problèmes sans tout programmer à la main.

On appelle cette période le début de l’IA symbolique / IA classique.

c) IA classique (1956–1980) → logique + règles

Elle fonctionne avec :

 systèmes experts,

 règles SI/ALORS,

 programmation étape par étape.

Exemple : programme qui calcule une trajectoire avec des règles définies.
Limites :

 si les règles ne sont pas prévues → l’IA est bloquée,

 il faut tout programmer → pas d’apprentissage automatique.

d) Premiers succès / espoirs

 1960–70 : premiers programmes d’échecs,

 réseaux de neurones primitifs → perceptron (Rosenblatt, 1958),

 traitement du langage simple.

Mais les capacités restent limitées → beaucoup de promesses non tenues.

❄ Premier hiver de l’IA (1974–1980)

 Manque de puissance de calcul,

 résultats faibles,

 perte de financement.

L’IA survit dans les laboratoires, mais le public n’y croit plus.

e) Retour de l’IA (années 1980)

 Algorithmes d’apprentissage :

o rétropropagation du gradient (backpropagation),

o réseaux multicouches.

On commence à créer des machines qui apprennent de données au lieu de suivre uniquement des
règles.

❄ Deuxième hiver de l’IA (1990–2000)**

Moins sévère mais croissance lente.

f) Explosion de l’IA moderne (2010–2023)

Grâce à 3 facteurs :

1. Big Data (millions d’images, textes, vidéos)

2. GPU (calculs massifs en parallèle)

3. Deep Learning (réseaux neuronaux profonds)

Résultats spectaculaires :

 2016 : AlphaGo bat le champion du monde de Go

 Reconnaissance vocale + traduction automatique

 ChatGPT, DALL-E, IA génératives

 On entre dans l’ère du Machine Learning (ML) et du Deep Learning (DL).

2) Définitions et points que le prof veut que tu APPRennes par cœur

Date de naissance de l’IA : 1956, Conférence de Dartmouth.

Critères de Dartmouth (à connaître dans une phrase) :

Une IA doit être capable d’apprendre, raisonner, s’améliorer avec l’expérience et se généraliser à de
nouveaux cas.

IA classique = basée sur des règles (systèmes experts, SI/ALORS, logique symbolique).
Limite : ne s’adapte pas, ne généralise pas.

IA moderne = basée sur l’apprentissage automatique (Machine Learning).

Le système apprend à partir des données.

Hiver de l’IA = période de stagnation et baisse des financements. Il y en a eu deux.

Deep Learning = réseaux de neurones profonds, efficaces surtout avec grandes bases de données
(images, sons, texte).

CHAPITRE 5 – Neurone artificiel, réseau neuronal & reconnaissance d’écriture (MNIST)

Résumé détaillé et clair

L’IA moderne utilise une inspiration biologique : le neurone biologique.

a) Neurone biologique → modèle pour l’IA

Un neurone du cerveau :

 reçoit un signal électrique via les dendrites,

 l’intègre au niveau du soma,

 s’active si le signal dépasse un seuil,

 transmet le signal via l’axone à d’autres neurones.

b) Neurone artificiel = version mathématisée

Entrées → Poids → Somme → Fonction d’activation → Sortie

s
o
r
t
i
e
¿
a
c
t
i
v
a
t
i
o
n
( ¿ ∑ ¿ w i ¿ x i¿ + ¿ b ¿ )

où :

 x i= entrée (pixel, valeur, chiffre…)

 w i= poids (importance de l’entrée)

 b = biais
 activation = fonction non linéaire (ReLU, sigmoid…)

Une seule unité = perceptron.

c) Réseau de neurones (NN)

On assemble des neurones en couches :

▪ Couche d’entrée (ex : 784 pixels)

▪ Couches cachées
▪ Couche de sortie (10 classes → chiffres 0 à 9)

d) Exemple du cours : reconnaissance de chiffres MNIST

 Image 28×28 pixels → 784 entrées,

 On veut reconnaître un chiffre manuscrit.

Fonctionnement :

1. On montre à l’IA des milliers d’images avec leur VRAI chiffre.

2. L’IA calcule une sortie → souvent fausse au début.

3. On compare sortie vs vérité → Loss (erreur).

4. On ajuste les poids pour réduire l’erreur → descente de gradient.

5. Répété sur beaucoup d’images → l’IA apprend.

e) Deep Learning, CNN & vision

Un réseau feedforward (FNN) fonctionne, mais pas optimal.

Pour les images, meilleur modèle :

 CNN (Convolutional Neural Network)

car il reconnaît formes locales, bords, textures, zones importantes,
et partage les poids (moins de paramètres).
2) À apprendre par cœur pour l’examen

Neurone artificiel : unité de calcul qui combine des entrées pondérées (w

x
) + un biais, puis
i

applique une fonction d’activation pour produire une sortie.

Réseau de neurones (NN) : ensemble de neurones organisés en couches (entrée → couches cachées
→ sortie) qui apprend en ajustant les poids.

Loss = mesure de l’erreur entre la prédiction et la vérité.

Objectif : minimiser la Loss pendant l’entraînement.

Descente de gradient : méthode d’apprentissage qui modifie les poids pour réduire la Loss pas à pas.

Apprentissage supervisé : on entraîne le réseau avec des exemples étiquetés.

CNN = architecture spécialisée pour les images ; meilleure que FNN.

MNIST = base d’apprentissage de chiffres écrits à la main (28×28 pixels).

CHAPITRE 6 – Régression, approximation & PINNs

1) Résumé clair et détaillé

a) Régression & approximation par réseaux

Une IA peut aussi approximer une fonction.

Exemple :
y
¿
a
x
+ ¿ b

On cherche a et b → régression linéaire.

L’IA ajuste les paramètres pour minimiser la Loss.

b) Approximation de solutions d’équations

Le réseau apprend à :

 ajuster une courbe à partir de quelques points,

 prédire les valeurs manquantes.

Plus on donne de points d’entraînement, mieux il apprend.

c) PINNs (Physics Informed Neural Networks)

But : résoudre des équations différentielles avec un réseau neuronal.

Idée clé :
Loss = erreur sur données + erreur sur équation
 L
o
s
s
¿
L
o
s
s1
( ¿ d o n n ¿ e ¿ e s r ¿ e ¿ e l l e s ¿ )
+ ¿ L
o
s
s2
( ¿ e ¿ q u a t i o n p h y s i q u e ¿ )

Exemple traité en cours :

Oscillateur amorti :
m
x
+ ¿ a
x
+ ¿ k
x
¿
0

Le réseau apprend :

 la solution analytique même si on ne la connaît pas,

 avec suffisamment de neurones et d’entraînement.

2) À apprendre par cœur

Régression : méthode qui ajuste une fonction (droite ou courbe) pour coller aux données.

Loss = écart entre la prédiction et la vérité ; objectif = la minimiser.

Descente de gradient = méthode d’optimisation des poids.

PINN = réseau neuronal qui intègre la physique directement dans la Loss pour résoudre des
équations différentielles.

CHAPITRE 7 – IA Génératives & ChatGPT

1) Résumé détaillé

a) IA générative ≠ IA classique

IA générative produit du contenu :

 texte (ChatGPT),

 images (DALL·E),

 musique, etc.

Elle ne se contente pas de classifier → elle crée.

b) ChatGPT & LLM

ChatGPT repose sur un modèle Transformer, entraîné sur énormément de texte.

Il prédit le mot suivant dans une phrase.

Avec un énorme entraînement → il écrit des réponses cohérentes.

Différence importante :

IA générative ChatGPT Google

crée une réponse génère du texte cherche sur internet

c) Risques & limites

 Hallucinations : invente des faits faux,

 Biais : reproduit les biais des données,

 Dépendance à l’entraînement : ne “comprend” pas vraiment,

 Pas de conscience.

2) À apprendre par cœur

IA générative : modèle capable de produire du contenu original (texte, image…) à partir de données
apprises.

ChatGPT = modèle Transformer basé sur le langage naturel.

Hallucination = réponse fausse générée avec confiance.

LLM = Large Language Model (modèle de langage de grande taille).

CHAPITRE 8 – Applications scientifiques

1) Résumé

L’IA sert en :

 imagerie médicale,

 météo,

 astrophysique,

 véhicules autonomes,

 fusion nucléaire,

 optimisation d’ailes d’avion,

 simulation climatique…
Elle peut même découvrir des lois physiques via PINNs.

2) À apprendre par cœur

L’IA est utile pour simuler, optimiser et prédire des phénomènes complexes (climat, matériaux,
biologie, astronomie…).

CHAPITRE 9 – Droit & Éthique de l’IA

1) Résumé détaillé

a) Droit

Objectif : protéger l’utilisateur.

 RGPD → gestion des données personnelles

▫ Consentement
▫ Droit à l’oubli
▫ Minimisation des données
▫ Transparence

 Propriété intellectuelle, copyright, responsabilité.

b) Éthique

Questions morales :

 surveillance,

 discrimination algorithmique,

 respect de la vie privée,

 usage militaire,

 automatisation / emploi.

Les IA actuelles sont très spécialisées.

Elles n’ont ni conscience ni intelligence générale.

2) À apprendre par cœur

Droit = règles légales (obligatoire).

Éthique = réflexion morale (conseillée mais non obligatoire).

RGPD protège les données personnelles : droit à l’oubli, consentement, minimisation.

L’IA actuelle est non générale : spécialisée, limitée à sa tâche.