AI Literacy
Découvre ce que signifie la maîtrise de l’IA, développe tes compétences pour évaluer les résultats de l’IA, protéger la vie privée et utiliser l’IA de manière responsable grâce à des exemples pratiques en vision par ordinateur.
La maîtrise de l’IA est la capacité à comprendre, utiliser et évaluer de manière critique l’intelligence artificielle, tout en reconnaissant ses limites et les responsabilités qu’elle implique. Maîtriser l’IA, c’est en savoir suffisamment pour choisir un outil adapté, remettre en question ses résultats, protéger les informations sensibles et déterminer quand le jugement humain est nécessaire. Il n’est pas nécessaire de devenir ingénieur en IA : l’objectif est de participer en connaissance de cause, et non de maîtriser chaque algorithme.
Cette compétence s’applique aux chatbots, aux systèmes de recommandation, aux modèles prédictifs et à la vision par ordinateur, qui analyse les images et les vidéos. Pour toutes ces applications, la question centrale reste la même : quels éléments justifient de s’appuyer sur ce système pour cette tâche ?
Compétences clés en maîtrise de l’IA#
Pour commencer, on peut s’appuyer sur la combinaison de la compréhension, de l’évaluation et de l’utilisation responsable décrite dans le cadre de maîtrise de l’IA de Digital Promise. Ces compétences se renforcent mutuellement.
Comprendre, c’est notamment reconnaître que l’apprentissage automatique apprend des schémas à partir des données plutôt que de suivre uniquement des règles explicitement programmées. Un modèle est un logiciel entraîné pour produire des prédictions ou générer du contenu. Comme l’explique l’introduction de Google à l’apprentissage automatique, différentes approches d’apprentissage conviennent à différentes tâches. L’entraînement développe le modèle ; l’inférence l’applique à de nouvelles entrées.
Évaluer consiste à vérifier si les résultats sont exacts et adaptés au contexte dans lequel ils seront utilisés. Une rédaction fluide ne prouve pas qu’une information est vraie, et une prédiction formulée avec assurance n’est pas une garantie. Il faut se demander si les données d’évaluation ressemblent à l’environnement dans lequel le système fonctionnera.
L’utilisation responsable amène à s’interroger sur la vie privée, l’équité et la responsabilité. Qui pourrait subir un préjudice en cas d’erreur ? Quelles informations doivent rester privées ? Qui examine les décisions importantes ? Le cadre de gestion des risques liés à l’IA du NIST fournit une base structurée pour examiner ces risques.
La maîtrise de l’IA et les concepts connexes#
La maîtrise de l’IA recoupe la culture numérique, qui concerne l’utilisation et l’évaluation des technologies numériques en général. La culture des données porte plus précisément sur l’interprétation des données, des statistiques et des éléments probants. La maîtrise de l’IA relie ces compétences aux systèmes qui produisent des prédictions, génèrent du contenu ou contribuent à la prise de décision.
L’ingénierie des invites—la conception d’instructions pour un modèle d’IA—est une compétence pratique parmi d’autres en matière de maîtrise de l’IA, et non un substitut à celle-ci. Une personne peut rédiger des invites efficaces tout en passant à côté de réponses inexactes ou d’un partage inapproprié de données.
De même, l’éthique de l’IA étudie des principes comme l’équité et la responsabilité ; la maîtrise de l’IA aide à appliquer ces principes dans les interactions quotidiennes. L’explication de Stanford sur la maîtrise de l’IA souligne que l’utilisation des outils et l’évaluation de leurs implications éthiques sont des compétences distinctes et complémentaires.
Applications concrètes#
Inspection dans l’industrie manufacturière : Prenons l’exemple d’un système de détection des défauts par caméra qui vérifie la présence de fissures sur les produits. Un opérateur qui maîtrise l’IA distingue les faux positifs — des produits conformes signalés comme défectueux — des faux négatifs — des produits défectueux non détectés. Les premiers entraînent des rejets inutiles ; les seconds laissent passer des défauts lors de l’inspection. Comprendre la précision et le rappel aide l’équipe à évaluer ces deux types d’erreurs : la précision mesure la proportion de défauts signalés qui sont réels, tandis que le rappel mesure la proportion de défauts réels détectés.
Aide en classe : Un élève utilise un chatbot pour obtenir une explication sur un sujet scientifique. Un élève qui maîtrise l’IA considère la réponse comme un point de départ, vérifie les affirmations factuelles à l’aide des supports de cours et évite de fournir des informations personnelles. L’enseignant demande aux élèves d’expliquer leurs corrections et de signaler l’aide reçue. L’utilisation de l’outil devient ainsi un exercice de vérification et de raisonnement autonome, conformément à l’approche centrée sur l’humain du cadre de compétences en IA de l’UNESCO pour les élèves.
Un exercice pratique de vision par ordinateur#
La pratique de l’inspection rend concrète la différence entre une prédiction et la réalité. Installe le paquet avec pip install -U ultralytics en suivant le guide d’installation d’Ultralytics.
Cet exemple utilise Ultralytics YOLO avec un modèle de détection YOLO26 préentraîné et le flux de prédiction documenté :
from ultralytics import YOLO
# Charger un modèle de détection d’objets préentraîné.
model = YOLO("yolo26n.pt")
# Lancer l’inférence sur une image d’exemple publique.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
# Enregistrer les prédictions annotées pour les examiner visuellement.
result.save(filename="ai_literacy_example.jpg")L’image enregistrée affiche les étiquettes et les cadres des objets prédits. Compare-les à ce que tu vois réellement : des objets sont-ils manqués, mal étiquetés ou mal localisés ? Cet exercice développe l’évaluation critique ; la réussite sur une seule image ne garantit pas la fiabilité dans d’autres environnements.
Développer et évaluer la maîtrise de l’IA#
Commence par une tâche familière, détermine à quoi ressemblerait un résultat correct et décide quelles erreurs sont importantes. Compare les résultats à des éléments de preuve indépendants et consigne les limites avant d’élargir l’utilisation.
Pour les enfants, privilégie des activités adaptées à leur âge qui rendent les erreurs observables sans nécessiter de programmation avancée. Les leçons de Common Sense Education sur la maîtrise de l’IA favorisent les discussions sur les biais, la qualité de l’information et la participation responsable.
Évalue la maîtrise de l’IA à partir du jugement démontré, et non de la seule familiarité avec les outils. L’apprenant peut-il expliquer les limites d’un résultat, vérifier une affirmation, protéger des données privées et justifier le choix de ne pas utiliser l’IA ? Ces capacités s’appliquent à différents outils et à différentes applications.
