Acculturation à l'IA | BrevetAI

Face aux enjeux croissants liés à l’intelligence artificielle, il devient essentiel de sensibiliser et de former dès le plus jeune âge. Dans ce contexte, le BrevetAI est un dispositif pédagogique innovant visant l'acculturation à l'intelligence artificielle de toutes les étudiantes et de tous les étudiants de l'Université Paris-Saclay (à partir de la L1).
Acculturation à l'IA | BrevetAI

Cette plateforme, basée sur un principe d'apprentissage "par le faire" (Learning-by-Doing), 
propose une alternance de contenus pédagogiques textuels (fiches notions), 
d'interviews d'experts et d'activités ludiques et interactives. 
Accessible à tous publics et en distanciel, le BrevetAI est accessible au plus grand nombre.

 

🎙️ Découvrez l'interview de Laurent Oudre, Professeur à l'ENS Paris-Saclay, 
responsable du Master MVA et responsable du projet BrevetAI !


Il y a-t-il des prérequis ?

La formation s'adresse à toutes et tous, et particulièrement les étudiant(e)s de premier cycle de l'Université Paris-Saclay issus de toutes disciplines. Il n'y a donc pas de prérequis.

 

Deux formules

La formule découverte

La formule avancée

Acculturation au fonctionnement de l’IA
et sensibilisation aux enjeux sociétaux.


Deux cours -  En moyenne 10 heures de cours tous publics :

●    Le fonctionnement de l’intelligence artificielle
●    Les enjeux sociétaux de l’intelligence artificielle

Acculturation au fonctionnement de l’IA, aux concepts algorithmiques,
sensibilisation aux enjeux sociétaux.

Quatre cours -  En moyenne 20 heures de cours pour un public plus avancé :

●    Le fonctionnement de l’intelligence artificielle
●    Les tâches de l’intelligence artificielle
●    L'IA en pratique & les bonnes pratiques de l'IA
●    Les enjeux sociétaux de l’intelligence artificielle

 

Un plan de formation à 360°, réparti en 4 cours

 

1- Le fonctionnement de l’intelligence artificielle : Identifier les trois notions clés de l’intelligence artificielle afin de construire une première culture de l’IA et d’appréhender son fonctionnement.

Partie 1
Algorithme

●    Identifier la notion d’algorithme
●    Identifier les différentes composantes d’un algorithme
●    Reconnaître les qualités attendues d’un bon algorithme
●    Lire les étapes d’exécution d’un algorithme

Partie 2
Modèle

●    Identifier ce qu’est un modèle
●    Identifier la notion de modèle paramétrique 
●    Reconnaître l’importance des paramètres dans les modèles paramétriques

Partie 3
Apprentissage

●    Reconnaître la notion d’apprentissage dans le domaine de l’IA
●    Identifier la notion de biais en intelligence artificielle
●    Lire un arbre de décision

 

2- Les tâches de l’intelligence artificielle : Identifier les tâches de l’intelligence artificielle afin d’appréhender l’utilité de l’IA dans différentes situations.

Partie 1
Recueil et visualisation
de données   
   
   

●    Distinguer les données structurées de données non structurées
●    Distinguer les méthodes de visualisation de données (1D et 2D)
●    Utiliser des méthodes de visualisation de données pour extraire des données afin de résoudre un problème

Partie 2
Apprentissage non
supervisé : partitionnement 

●    Reconnaître la notion d’apprentissage non supervisé
●    Identifier la tâche de partitionnement des données et ses cas d’application
●    Identifier le fonctionnement de l’algorithme de partitionnement des K-Moyennes
●    Évaluer la qualité d’un partitionnement avec le score de Silhouette

Partie 3
Apprentissage supervisé : classification 

●    Reconnaître la notion d’apprentissage supervisé et la distinguer de l’apprentissage non supervisé
●    Identifier le fonctionnement de l’algorithme de classification des k-plus proches voisins
●    Distinguer la tâche de classification de la tâche de partitionnement des données, notamment l’algorithme des K-moyennes de celui des k plus proches voisins
●    Évaluer la qualité d’une classification

 

3- L'IA en pratique & les bonnes pratiques de l'IA : Reconnaître les bonnes pratiques de l’IA permettant de construire des modèles fiables, performants et généralisables en s’initiant également aux principes de l’apprentissage profond. Cette compétence vise à démontrer une pratique éclairée de l’IA dans des projets réels (ici la détection de deep fakes).

Partie 1
Généralisation d’un modèle
   

●    Définir la notion de modèle généralisé
●    Distinguer le sur-apprentissage et le sous-apprentissage ainsi que les moyens de les éviter
●    Identifier une bonne pratique de gestion des données d'entraînement : la séparation de données en base d'entraînement, de test et de validation

Partie 2
Nettoyage de données

●    Repérer les différents problèmes pouvant survenir dans un jeu de données d'entraînement
●    Identifier des bonnes pratiques pour nettoyer un jeu de données

Partie 3
Introduction à l’apprentissage profond 

●    Identifier la notion d'apprentissage profond
●    Reconnaître les opérations mathématiques utilisées dans l’apprentissage profond
●    Reconnaître et associer les notions : apprentissage profond, réseaux de neurones et neurones

 

4- Les enjeux sociétaux de l’IA : Examiner les enjeux sociétaux liés à l’IA pour participer à son débat et pour contribuer à façonner l’avenir de cette technologie.

Partie 1
Enjeux environnementaux    
    

●    Identifier et distinguer les différents impacts environnementaux de l'IA
●    Reconnaître des méthodologies et outils pour mesurer et réduire l’empreinte écologique de l’IA
●    Décrire comment l'IA peut contribuer à la résolution de problèmes environnementaux liés à l’énergie

Partie 2
Enjeux légaux

●    Identifier les règles applicables au développement de l'IA
●    Identifier les principes juridiques liés au déploiement de l'IA
●    Différencier les enjeux juridiques liés au développement de l'IA de ceux liés au déploiement de l'IA

Partie 3
Enjeux éthiques

●    Reconnaître et distinguer les différents risques liés à l’IA (les risques d’usages malveillants, les risques accidentels de désalignement et les risques systémiques)
●    Évaluer l’impact de l’IA sur le travail
●    Identifier des pratiques pour bien intégrer l’IA dans le milieu professionnel

 

Une structure dynamique en plusieurs formats - Alternance entre faire, expliquer et confirmer

 

 

 

Activités ludiques et interactives qui 
impliquent directement l'étudiant(e) 
et constituent le cœur de la formation

 

 

 

 

 

 

Fiches Notions qui permettent d'expliquer 
plus en détail à l'étudiant(e) ce qu'il/elle vient de réaliser

 

 

 

 

 

 

Évaluation en deux temps 
(format questions puis activité pratique)

 


 

Calendrier de déploiement du BrevetAI 📅

 

↪️ 2023-2024

Séances d'alpha testing en présentiel et distanciel, à destination d'étudiant(e)s issu(e)s de diverses formations 
(Économie, Sociologie, Biologie, Physique, Génie Électrique, Informatique, Mathématiques, Chimie, Marketing...) - niveaux L1, L2, M1) et intégration à eCampus.

 

↪️ 2024-2025

Cours 1 et 2 disponibles sur eCampus en bêta testing, cours 3 et 4 en alpha testing auprès de quelques formations pilotes, intégration à titre expérimental "à la carte" dans des formations pilotes, retours utilisateurs et améliorations en continu.

 

↪️ Depuis avril 2025

Depuis avril 2025, intégralité du BrevetAI disponible sur eCampus en bêta testing.

 

↪️ Rentrée 2025-2026

Déploiement du BrevetAI sur le plateau de Saclay.




Contact | brevet-ai@ens-paris-saclay.fr