Vittascience et IA

Tutoriel sur le site Vittascience et sur l'IA

https://fr.vittascience.com/

La création de ce tutoriel a consisté principalement à mettre par écrit les informations présentées dans la vidéo de VittaScience.

https://www.youtube.com/watch?v=EDtvcOl_PhA

Préambule

L'utilisation d'une caméra avec des mineurs, même si les images sont conservées localement, soulève d'importants enjeux liés au RGPD.

En plus de la protection des données personnelles, l'utilisation d'images de mineurs relève du droit à l'image, qui exige l'autorisation parentale.

Entrainer une IA à reconnaitre des images

1. Aller sur le site vittascience
2. dans la barre en haut, cliquer sur IA
3. Cliquer sur Images

Objectif

• Acquérir des compétences pratiques en manipulation d'outils d'IA éducatifs.
• Comprendre le concept de "jeu de données" (images d'entraînement et de test) pour l'apprentissage d'une IA.
• Démystifier le concept de l'intelligence artificielle

Définition

Qu'est-ce qu'un jeu de données : c'est une GRANDE collection de photos, on dit qu'elles sont étiquetées, c'est-à-dire qu'on dit à l'ordinateur ce qu'il y a sur chaque photo, ceci est un carré, ceci est un rond, ceci est un chat etc, l'ordinateur utilise ce jeu de données pour apprendre à identifier les caractéristiques de chaque catégorie et pour ensuite reconnaitre de nouvelles photos qu'il n'a jamais vues ?

Étape 1

Permettre de comprendre le principe d'un jeu de données :
les données peuvent être :

                 * des images téléchargées depuis votre ordinateur 
                 * Des captures d'images depuis la caméra de votre ordinateur 
                 * des images présentes dans la banque de vittascience

Pour qu'un modèle apprenne à catégoriser une information, il lui faut au minimum 2 catégories. Nous allons en créer 2 (à gauche de l'écran) cliquer sur l'image pour l'emplacement des étapes :

ROND

CARRÉ

Puis, nous allons commencer à capturer des images (à travers la caméra de votre ordinateur ou, en utilisant les modèles déjà présent, à défaut, en les récupérant sur votre ordinateur).

Pour qu'un modèle soit efficace, il lui faut une grande quantité d'images dans chaque catégorie, mais déjà avec 2 photos ça fonctionne déjà.

Placez un post-it avec un rond dessiné dessus dans la zone visible par la caméra, puis cliquez sur le bouton "prendre une photo" et capturez ensuite entre 10 et 15 photos de ronds. Ils peuvent être dessinés avec plusieurs feutres, découpés dans une autre forme. Il faut varier les types de ronds pour que notre modèle soit efficace à reconnaître les ronds qu'il ne connaît pas.

Refaites la même opération dans la deuxième catégorie, mais avec des carrés.

Étape 2

Maintenant que nous avons notre jeu de données et qu'il contient suffisamment de données pour qu'il puisse faire des prédictions, cliquer sur le bouton "entrainer le modèle " (au centre de l'écran).

Étape 3

Placez un nouvel objet (il faut le dessiner sur post-it, par exemple) dans la zone visible par la caméra et observez le pourcentage de prédiction (à droite de l'écran). Plus le pourcentage est élevé, plus le modèle est précis.

Cliquer sur le bouton 'Zones d’influence’ et montrer à nouveau des objets à la caméra. Les zones de l’image en surbrillance correspondent à celles qui sont les plus déterminantes dans les prédictions de l’IA.

Idées d'utilisation avec un modèle biaisé

On crée un nouveau modèle en utilisant la banque d'image, en prenant les femmes (biaisé) et les hommes (biaisé), on entraine le modèle et si on met une femme avec les cheveux court alors le modèle IA me reconnait comme un homme, car les données d'entrainement identifient un homme grâce aux cheveux courts et une femme avec les cheveux longs.

Grâce à ce modèle, on peut introduire les biais d'une IA, et expliquer les problématiques associés

1. Inéquité et discrimination : un biais de genre

C'est la problématique la plus grave. Une IA peut, par exemple, discriminer certaines personnes lors d'un recrutement, de l'octroi d'un prêt ou d'une évaluation de risque. Si un modèle est entraîné avec des données historiques où les hommes étaient majoritairement embauchés pour certains postes, il pourrait par la suite privilégier les candidatures masculines.

1. Manque de fiabilité : un biais de données

Un modèle biaisé est un modèle peu fiable. Les prédictions qu'il fait pour les groupes sous-représentés ou exclus de ses données d'entraînement peuvent être fausses ou de mauvaise qualité. Par exemple, un système de reconnaissance faciale pourrait avoir un taux d'erreur beaucoup plus élevé pour les personnes à la peau foncée s'il a été principalement entraîné sur des visages de personnes à la peau claire.

1. Renforcement des stéréotypes : Biais de stéréotype

L'IA peut renforcer les stéréotypes existants. Un modèle de génération de texte, entraîné sur des données qui associent les métiers scientifiques aux hommes et les métiers de la santé aux femmes, pourrait systématiquement produire des phrases stéréotypées.

Conclusion

En réalisant ces manipulations, vous avez pu :

Acquérir des compétences pratiques en manipulation d'outils d'IA éducatifs. Vous avez interagi avec l'interface de VittaScience pour créer des catégories, capturer des images via votre webcam ou depuis votre ordinateur, et lancer l'entraînement d'un modèle d'IA. Cette expérience vous a permis de découvrir comment des outils en ligne peuvent simplifier l'approche de concepts complexes de l'IA.

Comprendre le concept de "jeu de données" (images d'entraînement et de test) pour l'apprentissage d'une IA. En constituant vos propres collections d'images de ronds et de carrés, vous avez créé un jeu de données d'entraînement. Ces images étiquetées ont servi de base à l'apprentissage de votre modèle. Lorsque vous avez ensuite testé le modèle avec de nouvelles images, vous avez indirectement utilisé un jeu de données de test (la nouvelle image soumise à la prédiction).

Comprendre quelques problematiques autour de l'IA. Vous avez visualisé l'importance d'avoir des données variées et en quantité suffisante pour entraîner efficacement une IA et lui permettre de généraliser sa reconnaissance à des images inconnues.

La génération de Texte

Instructions générales pour utiliser un modèle de langage IA (comme un chatbot ou une interface web) :

• Identifiez votre besoin : Quel type de texte souhaitez-vous générer ? (e-mail, article de blog, résumé, poème, etc.)
• Choisissez votre outil : Il existe des outils gratuits et payants (par exemple, ChatGPT, Bard, Claude, Copy.ai, Jasper.ai, etc.).
• Fournissez une "invite" (prompt) claire : C'est la partie la plus importante ! Plus votre instruction est précise, meilleur sera le résultat.

Exemple d'invite : "Rédige un paragraphe de 150 mots sur l'importance de la biodiversité pour les écosystèmes, en utilisant un ton informatif et accessible."

Éléments à inclure dans l'invite :

1. Sujet : De quoi doit parler le texte ?
2. Format : Article, liste, e-mail, etc.
3. Longueur : Nombre de mots, de paragraphes, de phrases.
4. Ton : Formel, informel, humoristique, informatif, persuasif, etc.
5. Public cible : Pour qui le texte est-il destiné ?
6. Mots-clés : Des termes spécifiques à inclure.
7. Instructions spécifiques : "Évite les jargons", "utilise de courtes phrases", etc.

IL EST TRÈS IMPORTANT de réviser et éditez : Le texte généré par l'IA peut nécessiter des ajustements pour le rendre parfait. Vérifiez la cohérence, la pertinence, la grammaire et le style. (AYEZ L ESPRIT CRITIQUE)

Pistes de reflexion

1. L’intelligence artificielle : une diversité de définitions et d’approches
2. Quels enjeux pour les politiques publiques ?
3. Quels enjeux éthiques ?
4. Les domaines d’application pour l’éducation
5. Quelles pistes de travail pour former à l’IA et l’enseigner ?
6. Le tournant des IA génératives et des grands modèles de langage