Comment fonctionne l’intelligence artificielle ? Des symboles et du perceptron aux transformers, ChatGPT et Claude
Un cours conceptuel avancé qui explique d’où vient l’IA moderne, comment fonctionnent l’apprentissage automatique, les réseaux neuronaux et les transformers, et comment évaluer de manière réaliste les capacités et les limites d’outils tels que ChatGPT et Claude.
Ce cours a été conçu pour les personnes qui souhaitent comprendre l’IA plus en profondeur qu’au niveau des slogans marketing. Le participant passera de l’histoire de l’IA et de l’apprentissage automatique à la mécanique des réseaux neuronaux et de l’apprentissage profond, jusqu’à la rupture qu’a représentée l’architecture transformer et aux conséquences qu’a eues « Attention Is All You Need » pour des systèmes comme ChatGPT ou Claude. Le cours n’enseigne pas la programmation de modèles, mais il donne une compréhension opérationnelle : quels problèmes les approches successives résolvaient, pourquoi les méthodes antérieures ne passaient pas à l’échelle de manière suffisamment efficace, d’où viennent les hallucinations, pourquoi les modèles peuvent sembler convaincants malgré leurs erreurs, et comment distinguer les capacités réelles des attentes trompeuses. Au fil du cours, le participant travaillera sur des artefacts utiles en pratique : une frise chronologique des ruptures, une matrice comparative des types d’IA, une fiche d’évaluation d’une tâche au regard de son adéquation à l’IA, un schéma du flux de données lors de l’entraînement d’un modèle, des checklists d’évaluation des réponses du modèle, des mini cas de mise en œuvre et de simples diagrammes de processus. Le cours s’appuie sur des exemples actuels, décrits publiquement, du développement des modèles et des risques liés à leur usage, y compris l’ampleur croissante des usages en entreprise, le problème persistant des hallucinations et l’accent mis par le secteur sur la gouvernance et le confinement des modèles.
Ce que vous apprendrez
- Explique les principales étapes de l’histoire de l’IA et indique quelles promesses, limites et ruptures ont réellement changé la direction du développement de ce domaine.
- Distingue les principaux types d’IA et sait quand on parle de systèmes à règles, d’apprentissage automatique classique, de réseaux neuronaux, d’apprentissage profond et de modèles génératifs.
- Décrit l’histoire de l’apprentissage automatique comme une réponse aux limites des règles écrites à la main et peut indiquer le coût de ce changement : dépendance aux données, à l’objectif d’optimisation et aux métriques.
- Explique le fonctionnement d’un neurone, d’une couche, de la propagation du signal et de l’apprentissage dans un réseau neuronal au niveau conceptuel, sans recourir à un formalisme inutile.
- Explique ce que l’apprentissage profond a changé et pourquoi l’échelle des données, de la puissance de calcul et des architectures a commencé à jouer un rôle clé.
- Comprend quel problème le transformer a résolu par rapport aux architectures séquentielles antérieures et pourquoi le mécanisme d’attention est devenu une rupture.
- Peut expliquer l’importance de la publication « Attention Is All You Need » et la relier au chemin menant aux modèles contemporains comme ChatGPT et Claude.
- Comprend comment se déroule l’entraînement d’un grand modèle de langage : données, tokenisation, prédiction du token suivant, ajustement, instructions et évaluation de la qualité.
- Voit la différence entre le fait qu’un modèle génère un texte statistiquement probable et le fait qu’il « comprenne le monde » au sens humain.
- Reconnaît les sources typiques d’erreurs des modèles, y compris les hallucinations, la confiance excessive, la dépendance au prompt, le manque d’actualité et les problèmes d’évaluation de l’incertitude.
- Utilise de simples artefacts décisionnels pour évaluer si une tâche donnée se prête à un soutien par l’IA et quelles protections sont nécessaires.
- Peut mener une conversation plus réaliste sur l’IA dans l’organisation : sans techno-mystique, sans panique et sans confondre une démonstration produit avec la capacité réelle du système.
Prerequis
Aucune compétence en programmation requise. Une orientation générale dans les produits numériques, le travail intellectuel ou l’analyse métier est utile. Le participant doit être prêt à lire des schémas, des comparaisons et des descriptions simplifiées de mécanismes techniques.
Programme du cours
- Du test de Turing à l’hiver de l’IA : quelles promesses étaient prématurées et lesquelles ont posé les bases des modèles d’aujourd’hui
- IA symbolique contre apprentissage à partir des données : deux façons différentes de construire l’« intelligence » et leurs coûts opérationnels
- L’histoire de l’apprentissage automatique comme fuite des règles écrites à la main : perceptron, régression, arbres et modèles statistiques
- Pourquoi les vagues précédentes d’IA ne sont pas passées à l’échelle pour le langage complexe et la connaissance générale
- Mini-cas : comment un manager en 2012, 2017 et 2026 aurait pu mal évaluer le « tournant de l’IA »
- Quiz : reconnais l’époque, le paradigme et la vraie raison du succès ou de l’échec d’une approche donnée
- Le mot « AI » dans une seule présentation peut désigner cinq choses différentes : comment ne pas se laisser tromper par l’étiquette
- Système à base de règles, modèle ML classique, réseau de neurones, modèle génératif, agent : comparaison sur une seule matrice de décision
- IA étroite contre AGI : où s’arrête la description précise et où commence la spéculation
- Prédiction, classification, classement, recommandation, génération : cinq tâches différentes, cinq critères de qualité différents
- Que signifie le fait qu’un modèle soit multimodal, et pourquoi cela ne veut pas automatiquement dire qu’il « comprend le monde »
- Quiz : associez le bon type d’IA au problème, au propriétaire du processus et au niveau de risque acceptable
- Neurone artificiel sans mystique : entrées, poids, activation et décision que le modèle prend numériquement
- Ce qui se passe vraiment pendant l’apprentissage : perte, information d’erreur et mise à jour des paramètres
- À quoi servent les couches cachées : comment un réseau construit des représentations de plus en plus complexes des caractéristiques
- Histoire des réseaux neuronaux en pratique : du perceptron au backpropagation jusqu’à la renaissance après 2012
- L’apprentissage profond comme changement d’échelle : données, GPU, architectures et économie de l’entraînement
- Failure modes: surapprentissage, mauvaises données, mauvais objectif d’optimisation et métrique de succès trompeuse
- Quiz : indiquez si le problème découle de l’architecture, des données, de l’objectif d’apprentissage ou de la méthode d’évaluation
- Avec quoi les RNN et les LSTM perdaient : les dépendances longues, le goulot d’étranglement de la séquentialité et le coût d’entraînement
- L’attention comme mécanisme de sélection du contexte : comment le modèle décide sur quoi porter son regard dans une phrase
- Transformer étape par étape sans équations : tokens, embeddings, position, attention, couches et sortie
- « Attention Is All You Need » : qu’est-ce qui était exactement révolutionnaire et pourquoi l’industrie l’a-t-elle adopté si vite
- Ce qu’ont apporté le parallélisme et l’échelle : pourquoi, après le transformer, on a pu entraîner des modèles beaucoup plus grands
- Comparaison travaillée : la même tâche avant et après le transformer — où apparaît une amélioration réelle de la qualité
- Quiz : reconnais quel élément du transformateur est responsable d’un avantage ou d’une limitation donnée
- Le LLM comme machine à prédire des tokens : pourquoi un objectif d’entraînement simple fait émerger un comportement linguistique complexe
- D’où le modèle « sait » quoi écrire : données d’entraînement, tokenisation et apprentissage de schémas sans base de faits dans la tête
- Du modèle de base à un assistant utile : instruction tuning, feedback et politiques de réponse
- Ce que le produit fait au-delà du modèle : mémoire de conversation, outils, recherche, intégrations et couche de sécurité
- Pourquoi les modèles hallucinent malgré l’impressionnante fluidité de leurs réponses, et pourquoi le ton assuré trompe l’utilisateur
- ChatGPT, Claude et systèmes similaires en 2025–2026 : comment le marché passe du chat aux agents et aux workflows plus profonds
- Mini-cas : le service RH, l’équipe commerciale et l’analyste opérationnel utilisent le même modèle, mais ont besoin de protections différentes
- Quiz : distinguer les possibilités du modèle, les capacités du produit et les attentes de l’utilisateur
- Le modèle ne « comprend » pas comme un humain : ce qu’on peut inférer du comportement, et ce qu’il ne faut pas surinterpréter
- Comment évaluer une réponse d’IA en pratique : exactitude, exhaustivité, traçabilité, incertitude et coût de l’erreur
- Quand l’IA aide, et quand elle ne fait qu’accélérer la production d’erreurs : fiche de qualification d’une tâche à l’usage d’un modèle
- Gouvernance pour les équipes ordinaires : qui approuve l’usage, quelles données peuvent être fournies et quand l’humain doit rester dans la boucle
- Revue de cas : comment désamorcer la phrase « l’IA fera ça pour nous » lors d’une réunion d’achat ou stratégique
- Synthèse finale : comment raconter en 5 minutes d’où vient l’IA moderne et comment elle fonctionne vraiment
- Quiz final : diagnostic des mythes, des limites et des usages appropriés de l’IA moderne
Questions fréquentes
Pour les managers, analystes, spécialistes produit, marketeurs, formateurs et toutes les personnes qui souhaitent comprendre l’intelligence artificielle plus en profondeur qu’au niveau des slogans à la mode. Si vous utilisez des outils comme ChatGPT ou Claude et souhaitez savoir d’où viennent leur fonctionnement, leurs limites et leurs avantages, ce cours est pour vous.
Non. Le cours n’enseigne ni l’implémentation de modèles ni l’écriture de code. Il a été conçu pour vous donner une compréhension opérationnelle et stratégique de l’IA : de la logique des ruptures successives à la mécanique des réseaux neuronaux, jusqu’à l’importance de l’architecture des transformers.
Vous comprendrez quels problèmes les approches successives de l’IA résolvaient, pourquoi les méthodes antérieures avaient des limites, en quoi l’apprentissage automatique diffère réellement de l’apprentissage profond et pourquoi les transformers sont devenus le fondement des modèles de langage modernes. Cela vous permettra d’évaluer plus facilement les capacités, les risques et la pertinence métier de l’usage de l’IA.
Parce que l’IA n’est plus une curiosité et est devenue une partie réelle de la transformation du travail. McKinsey indique que les organisations passent des expérimentations à des déploiements à plus grande échelle, et que les écarts de compétences et de formation comptent aujourd’hui parmi les principaux obstacles. Parallèlement, la demande d’AI fluency augmente, c’est-à-dire une compréhension pratique de la technologie, et pas seulement la maîtrise des outils. Ce cours aide à construire précisément ce socle.
Oui. Nous les présentons comme le résultat d’une évolution plus longue des idées : de l’IA symbolique et du perceptron, à travers le développement des réseaux neuronaux, jusqu’à la rupture des transformers initiée par l’article « Attention Is All You Need ». Ainsi, vous ne découvrez pas seulement des noms d’outils, mais vous comprenez pourquoi ils fonctionnent comme ils fonctionnent.
Oui — c’est l’une de ses principales valeurs. Le cours structure l’histoire, les concepts et les mécanismes de fonctionnement de l’IA, ce qui vous permet de distinguer plus facilement le marketing spectaculaire des capacités réelles des modèles, de mieux interroger les fournisseurs de technologies et de prendre des décisions éducatives ou commerciales plus éclairées.
- 8 heures
- Avance
- Certificat a la fin
- Acces immediat apres achat