Imaginez que vous écriviez une stratégie de coups pour un programme de morpion (cinq alignés). Les règles sont posées, le plateau s'affiche correctement, et il semble ne rester qu'à lui faire choisir le meilleur coup. Mais dès que l'on commence à dérouler les variantes, chaque réponse de l'adversaire ouvre de nouvelles branches. La partie n'a pas commencé que le temps de calcul manque déjà.
Ce petit embarras met en lumière une question importante de l'intelligence artificielle : lorsque l'information, le temps et les ressources de calcul ont des limites, comment un système fait-il des choix fondés ? Pour celles et ceux qui utilisent déjà des outils d'IA, se confronter concrètement à un tel problème est aussi une occasion de s'approcher de l'intérieur de la technique.
Le cours COMP5511 « Artificial Intelligence Concepts » (Concepts d'intelligence artificielle) de l'Université polytechnique de Hong Kong s'articule autour de la recherche, de la représentation des connaissances, du raisonnement et de l'apprentissage automatique. Dans les supports actuels du cours sur EvoClass, le parcours d'apprentissage s'étend ensuite aux Transformers, aux grands modèles de langage et aux agents. En partant du plateau, on rencontre différentes tâches et l'on ne cesse de réexaminer cette idée de « faire un choix ».
Avant le premier coup, apprendre à choisir
Si toutes les possibilités méritaient d'être calculées, le programme basculerait vite dans un espace de recherche immense. Pour jouer dans un temps limité, il faut décider quelles situations examiner en priorité, selon quels critères les évaluer, et jusqu'à quel point de recherche s'arrêter.
Un problème qui semblait n'être qu'un « manque de vitesse » devient ainsi un choix de méthode.
Dans Stratégies de recherche : recherche non informée et recherche heuristique, les apprenants peuvent comparer différentes façons d'explorer ; vient ensuite Recherche adversariale et satisfaction de contraintes, où il faut intégrer les choix de l'adversaire dans son propre jugement. Regarder plusieurs coups plus loin, évaluer une position, réduire les calculs inutiles : tout cela prend un sens concret.
Le travail pratique de morpion du cours offre une fenêtre d'observation. On peut modifier une stratégie, exécuter le programme, puis comparer les coups joués et le temps pris. Un coup qui paraît avantageux sur le moment peut laisser une faille pour la suite ; chercher plus profondément a aussi un coût de calcul plus élevé.
Quand le code tourne vraiment, les compromis cachés derrière les noms d'algorithmes deviennent visibles. L'apprentissage y gagne un point d'appui clair : expliquer ce choix et trouver un moyen de mettre cette explication à l'épreuve.
On change d'image : un chiffre manuscrit, un problème différent
Les règles d'un coup au morpion peuvent s'énoncer précisément ; l'apparence d'un chiffre manuscrit, elle, se laisse difficilement décrire un à un. Le même « 3 » est chez certains bien rond, chez d'autres aplati, et chez d'autres encore les traits se touchent presque.
Continuer à ajouter des règles peut résoudre quelques exemples sous les yeux, mais de nouvelles écritures apparaîtront encore. La tâche change alors de direction : fournir des données à un modèle pour qu'il apprenne des régularités utiles à la reconnaissance.
Mais avoir vu un lot d'exemples ne signifie pas savoir traiter toutes les situations nouvelles.
Les supports de travaux pratiques de COMP5511 sur EvoClass comprennent une classification de chiffres manuscrits, tandis que les cours passent de l'apprentissage automatique classique aux réseaux de neurones et à la vision par ordinateur. Pour les apprenants, un petit exercice utile consiste à conserver quelques erreurs de classification, à observer ce que le modèle a pris pour quoi, puis à revenir aux données et à la méthode pour chercher l'explication.
En suivant ce fil jusqu'à Modélisation de séquences et Transformers, l'attention se déplace vers les séquences et le contexte. Puis, lors de l'étude des grands modèles de langage, l'interface de conversation familière laisse apparaître derrière elle des pistes techniques à explorer.
Ensuite, le cours pousse la question hors de l'écran : si la réponse exige une action réelle pour être obtenue, comment le système poursuit-il ?
Après la réponse, il reste une action
Chercher une information, exécuter un extrait de code, poursuivre une tâche à partir des données renvoyées : tout cela exige que le système entre en relation avec des outils externes. Une fois le plan établi, il faut encore envoyer la requête, lire le résultat et juger si la suite reste pertinente.
Les travaux pratiques du Lab 11 sur les agents et l'appel d'outils conduisent les apprenants à cette étape : connecter un modèle de langage à des outils externes et observer comment réflexion, action et retour d'information forment un processus continu.
On peut alors s'attarder sur une étape facile à négliger : après que l'outil a renvoyé un résultat, comment le système l'utilise-t-il réellement ? Le contenu renvoyé peut être incomplet, l'opération peut échouer ; réessayer, changer de méthode ou s'arrêter demande une justification.
Le problème du plateau du début réapparaît sous une autre forme. Un choix modifie la situation immédiate, et le jugement suivant doit tenir compte de ce changement.
Les mécanismes d'un programme de recherche et ceux d'un modèle de langage diffèrent. Les placer sur un même parcours d'apprentissage permet d'exercer une manière d'observer qui traverse tout le cours : clarifier d'abord la tâche, regarder ensuite comment le système agit, puis vérifier avec le résultat le jugement initial.
Faire d'une expérience un jugement personnel
Lorsque les systèmes commencent à affecter de vraies tâches, la réussite d'une exécution doit être considérée avec la fiabilité, les biais et les limites d'usage. Éthique, sécurité et alignement de l'IA intègre ces questions au cours, pour que la mise en œuvre technique et la responsabilité humaine tiennent dans une même image.
En suivant ce cours, on peut se donner une très petite tâche : avant de lancer une expérience, écrire son attente ; après avoir vu le résultat, noter un point qui diffère de cette attente ; puis revenir à l'unité de cours concernée et tenter d'expliquer l'écart.
Cet écart peut être un coup inattendu, une image mal reconnue, ou encore un retour d'outil ignoré par l'agent. Il donne une direction pour la prochaine séquence d'apprentissage et relie les concepts des chapitres à ses propres observations.
Sur la page du cours COMP5511 sur EvoClass, on peut construire un fil de connaissances à partir des unités de cours, puis passer aux travaux pratiques et rapporter ses questions ; on peut aussi choisir d'abord un thème qui intéresse et vérifier sa compréhension à l'aide d'exercices de simulation.
De retour devant ce plateau, le programme doit toujours choisir un coup en temps limité. Cette fois, vous disposez de davantage de moyens pour l'examiner : voir comment la recherche se déploie, sur quels critères repose l'évaluation, et si le résultat confirme la conception initiale.
Comprendre l'IA peut commencer par une pièce sur un plateau.
Les informations générales sur le cours se réfèrent à la description officielle du cours par PolyU ; la présentation des chapitres et des travaux pratiques s'appuie sur le contenu actuel du cours sur EvoClass. Les liens vers les séances renvoient à des supports d'apprentissage en anglais.