M5 Intelligence artificielle
===

###### tags: `Penninghen` `numérique` `design` `digital` `plan` `ressources`

:::info
- **Location:**
31 Dragon (salles A & B)

- **Dates :**
Début du cours IA : 17 septembre
Dernier cours IA : 17 décembre

- **Contacts:** <[e-mail]> | <[e-mail]>
- **Documentation** https://ia.onoci.net/datasets

:::
:school: Intention pédagogique
---
Vous initiez à l’intelligence artificielle en tant que technologie, langage, outil et culture, afin de vous permettre non seulement de comprendre ses mécanismes, ses biais et ses enjeux, mais surtout de concevoir, entraîner et détourner des modèles d’IA au service de votre démarche créative.

Il ne s’agit pas seulement d’apprendre à utiliser des outils existants, mais de développer une pensée critique et autonome sur l’IA comme matière à création.

:dart: Objectifs pédagogiques
---
- Situer historiquement et culturellement les grands moments de développement de l’IA
- Comprendre les principes fondamentaux du fonctionnement des IA génératives (réseaux de neurones, apprentissage profond, données, embeddings, transformers)
- Avoir un regard critique en identifiant et en interrogeant les biais cognitifs, les limites des modèles, les phénomènes de boîte noire et de model collapse, les enjeux éthiques, sociaux et écologiques associés à l’IA
- Expérimenter la création de petits modèles d’IA
- Développer une posture de créateur critique à l’ère de l’IA, capable d’en faire un levier plutôt qu’un substitut
- Collaborer sur la conception d’un modèle IA commun, conçu pour alimenter une pratique créative spécifique

---

:calendar: Plan des cours
---
### [Etape 1/4: Genèse de l’IA — De la fiction à la science](https://hackmd.io/NWOhl8L_T7-RsMpIWuu7KA?both)

**Objectifs :**
- Situer l’IA dans une perspective historique et culturelle
- Comprendre les grandes classifications et les usages contemporains

**Contenu :**
- **Histoire longue de l’IA :** entre mythes, logiques formelles et informatique
- De la mythologie antique (Pygmalion, Galatea) aux automates du XVIIIe siècle
- Passage de Turing et les fondements théoriques (1950)
- De la cybernétique aux IA génératives actuelles

- **Introduction aux grandes familles d’IA :**
- **Typologies techniques :** IA réactive / à mémoire limitée / générative
- **Niveaux de complexité :** ANI (narrow), AGI, ASI
- **Méthodes d’apprentissage :** supervisé, non-supervisé, par renforcement

**Artistes :**
- Mario Klingemann (art génératif)
- Helena Sarin (peintre + IA, perspective critique)
- Anna Ridler (datasets comme medium artistique)
- Stephanie Dinkins (biais raciaux des algorithmes)

**Textes :**
- Alan Turing, *Computing Machinery and Intelligence,* (1950)
- Walter Benjamin, *L’Œuvre d’art à l’époque de sa reproductibilité technique* (1936)
- Bernard Stiegler, *La Technique et le temps,* 1994-2001.
- Hubert Dreyfus, What Computers Can’t Do (1972)
- …

### [Etape 2/4](): Anatomie d’une IA — Comprendre pour détourner

**Objectifs :**
- Démystifier le fonctionnement technique des IA génératives
- Comprendre la logique de prédiction et de génération

**Contenu :**
#### **Séance 2.1 : Fonctionnement d’une IA générative**
- **Phase d’entraînement :** apprentissage sur de très grands ensembles de données
- **Vecteurs et embeddings :** représenter mots/images sous forme de nombres
- **Architecture transformer :** capacité à traiter du contexte long
- **Génération :** fonctionnement mot par mot / pixel par pixel, basé sur des probabilités

#### **Séance 2.2 : Réseaux de neurones et apprentissage profond**
- **Structure des réseaux de neurones :** couches, neurones, poids, fonctions d’activation
- **Fonctionnement :** calculs + ajustements pour réduire l’erreur
- **Apprentissage profond (deep learning) :** empilement de couches, modélisation de représentations complexes
- **Applications à la création :** ChatGPT, DALL·E, Runway, Stable Diffusion

### [Etape 3/4](): Créer un modèle pour la création — Vers une IA située
**Objectifs :**
- Rassembler les acquis précédents
- Co-concevoir un modèle IA "sur-mesure" pour les métiers créatifs

#### **Séance 3.1 : Définir le besoin créatif**
**Contenu :**
- Identifier un besoin créatif spécifique non couvert par les IA génératives existantes
- Méthodologie de design thinking appliquée à l’IA
- Étude de cas : IA spécialisées dans l’art et le design

#### **Séance 3.2 : Choisir et constituer les données**
**Contenu :**
- Stratégies de collecte de données créatives (images, textes, sons, styles)
- Éditorialisation du dataset : inclure, exclure, annoter
- Enjeux moraux, juridiques et éthiques de la collecte et de son éditorialisation

#### **Séance 3.3 : Concevoir l’architecture du modèle**
**Contenu :**
- Choix du cadre technique : modèle pré-entraîné, fine-tuning, ou création from scratch
- Outils no-code et low-code (RunwayML, Teachable Machine, Lobe)
- Pipeline d’entraînement et métriques d’évaluation
-
#### **Séances 3.4 et 3.5 : Prototypage et entraînement**
**Contenu :**
- Travail en groupe sur le projet final
- Prototyper une IA de création

### [Etape 4/4](): Défis des IA (biais cognitifs et algorithmiques, sémantique interprétation et données massives, boîte noire, model collapse et écologie)
**Objectifs :**
- Développer un regard critique sur les limites et biais des IA
- Comprendre les enjeux éthiques, sociaux et environnementaux

#### **Séance 4.1 : Séance introductive**
- Vue d’ensemble des problématiques critiques
- Introduction aux concepts de biais, boîte noire, model collapse

#### **Séance 4.2 : Biais cognitifs et algorithmiques**
**Contenu :**
- D’où viennent les biais ? (datasets, société, modèles)
- Types de biais : stéréotypes, surreprésentation, biais culturels occidentaux
- Impact sur la représentation et l’inclusion

#### **Séance 4.3 : Sémantique, interprétation et données massives**
**Contenu :**
- L’IA comprend-elle vraiment ? (modélisation de proximités vs compréhension)
- Problèmes d’ambiguïté, de contexte culturel, de polyphonie
- Big Data : qualité, diversité, représentativité des datasets

#### **Séance 4.4 : Boîte noire, model collapse et écologie**
**Contenu :**
- Pourquoi l’IA est difficile à expliquer ? (complexité interne)
- Model collapse : IA qui régurgite de l’IA (baisse de qualité et diversité)
- IA et écologie : coût énergétique, modèles décentralisés, modèles de plus en plus gourmand en données

---

### Idées exercices pratiques

- **EXERCICE 1 : L’Inventaire du visible**
Catalogue raisonné et annotation massive
**Objectif pédagogique :**
Faire prendre conscience que l’IA nécessite une masse considérable de données annotées et que la qualité des annotations détermine la qualité du modèle final.
**Principe :**
Les étudiant·es constituent en groupe un grand dataset thématique (+ 5000 éléments) qu’ils annotent méticuleusement selon une grille établie en commun.
**Aspect visuel** : Dashboard interactif avec les données collectées en temps réel (Airtable ou autres) | **Apprentissage** : La quantité, la diversité des données et la qualité des annotations détermine la qualité du modèle

- **EXERCICE 2 : L’Œil Statistique**
**Objectif pédagogique :** Comprendre comment l’IA "voit" les données à travers les statistiques et découvrir des patterns invisibles à l’œil humain dans leur propre dataset.

- **EXERCICE 3 : "Création du modèle"**
Création d’un modèle génératif avec garde-fous éthiques et réflexion sur les biais cognitifs
**Objectif pédagogique :** Créer un modèle génératif fonctionnel tout en intégrant une réflexion sur les biais, les limites éthiques et les garde-fous nécessaires.

---

### Logiciel
– Google Colab
- Hugging Face Hub
- Runway ML
- Teachable Machine
- TensorFlow Playground
- LIME/SHAP pour explorer la manière dont l’IA est parvenue aux résultats

### Tutoriel

### Plug In

---

:mag: Ressources
---
### Inspirations

### Divers
[Glossaire](https://www.cnil.fr/fr/intelligence-artificielle/glossaire-ia)

---

:office: Exposition
---
**Le monde selon l’IA** : https://jeudepaume.org/evenement/exposition-le-monde-selon-ia/

:books: Bibliographie
---
- *The Stack: On Software and Sovereignty*, Benjamin Bratton, 2015
- *Manifeste cyborg et autres essais*, Donna Haraway, 2007
- *Atlas of AI*, Kate Crawford, 2021
- *Culture Visuelle, Images, regards, médias, dispositifs*, Andrea PInotti, Antonio Somaini, les presses du réel, 2022
- *Planète B*, Gwenola Wagon, 369 éditions,(2022)
- *Voyage au bout de l’IA: Ce qu’il faut savoir sur l’intelligence artificielle*, Axel Cypel, De Boeck Sup, 2023
- *L’I.A. expliquée aux humains*, Jean-Gabriel Ganascia, Seuil, 2024
- *AI Aesthetics*, Lev Manovich, Strelka Press, 2019
- *L’Œuvre d’art à l’époque de sa reproductibilité technique*, Walter Benjamin, 1936

:sound: Podcast
---
**France Culture** : https://www.radiofrance.fr/franceculture/podcasts/la-science-cqfd/ia-forte-la-paranoia-5901100

:camera: Filmographie
---
- **2001 : L’Odyssée de l’espace** (Stanley Kubrick, 1968)
- **Blade Runner** (Ridley Scott, 1982)
- **Her** (Spike Jonze, 2013)
- **Ex Machina** (Alex Garland, 2014)
- **Alphaville** (Jean-Luc Godard, 1965)
- **Black Mirror** (Charlie Brooker)

:books: Bibliogrphie étendue
---
https://hackmd.io/tefAQ8eJR1K8ux3tdWxORg