Enseignant
Concevoir l’apprentissage, évaluer avec des preuves et donner un feedback utilisable.
AI Academy · édition 2026 · centrée sur les capacités
Du premier prompt
aux systèmes dignes de confiance.
Un cursus gratuit et pratique pour les enseignants, les chercheurs et les bâtisseurs. Apprenez les couches durables derrière chaque produit d’IA : contexte, récupération, outils, compétences, évaluation, sécurité et gouvernance. Les noms de produits sont des exemples ; les principes sont le programme.
Commencer ici
Choisissez le parcours adapté à votre travail.
Vous n’êtes pas obligé de tout lire dans l’ordre. Commencez par le parcours le plus proche de votre responsabilité, puis utilisez les labos et les références selon vos besoins.
Chercheur
Construire une revue ancrée dans les sources, tracer les citations et documenter la provenance.
Développeur
Maîtriser une stack locale, connecter récupération et outils, puis évaluer le système.
Dirigeant
Concevoir la supervision, la sécurité et une règle d’arrêt avant de passer à l’échelle.
La pile durable
La pile qui survit aux outils.
Les produits changent chaque trimestre. Les couches ci-dessous sont là où vit la compétence durable. Apprenez la couche, puis choisissez un outil adapté à votre contexte, votre budget et votre risque.
Intention et conception de la tâche
Définissez la décision, le public, les preuves et le critère de réussite avant de choisir un modèle.
Transformer une demande vague en brief exécutable.Contexte et mémoire
Décidez ce que le modèle voit, ce dont il se souvient et ce qu’il ne doit jamais conserver.
Budgets de contexte, packs de sources, état et permissions.Récupération et preuves
Apportez des connaissances privées, récentes ou citables au lieu de faire confiance à la mémoire du modèle.
Découpage, recherche hybride, reranking, citation et fidélité.Raisonnement et génération
Décomposez les tâches difficiles, ajustez l’effort, comparez les candidats et vérifiez les étapes.
Échantillonnage, calcul à l’inférence, sorties structurées et calibration.Outils et action
Connectez le modèle à des calculatrices, bases, navigateurs et API via des interfaces étroites et auditables.
Schémas d’outils, MCP, sandbox et idempotence.Compétences et procédures
Packez les workflows experts en instructions versionnées, exemples, scripts et tests.
SKILL.md, divulgation progressive, jeux de référence et maintenance.Évaluation et observabilité
Mesurez l’exactitude, l’ancrage, le coût, la latence et les préjudices sur des tâches réelles.
Évaluations par tâche, traces, tests de régression et revue humaine.Gouvernance et responsabilité
Attribuez la finalité, les permissions, la supervision, les recours et une règle d’arrêt.
Niveaux de risque, documentation, audit et décision humaine.Ce qui change
- Noms, versions et prix des modèles
- Tailles de contexte et interfaces
- Leaders des benchmarks et formats médias
- Le produit à la mode ce trimestre
Ce qui reste
- Le cadrage du problème et la qualité des sources
- La conception du contexte et la récupération
- La vérification et l’évaluation
- Les permissions, la sécurité et la responsabilité
- La capacité à capturer et transférer l’expertise
Niveau 1 · Débutant
Penser clairement, vérifier sans relâche.
L’IA est un partenaire de raisonnement probabiliste, pas une base de données ni un oracle. Ce niveau construit les modèles mentaux, les habitudes de contexte et la discipline de preuve qui rendent tous les systèmes suivants plus sûrs.
Aucun code requis3–4 heures
1.1
Ce que fait réellement le modèle
Un modèle de langage génère une suite de tokens conditionnée par le contexte. Il peut être utile sans avoir raison, et confiant sans être calibré. Commencez par le mécanisme, pas par le marketing.
- Il prédit des continuations. L’entraînement sur du texte apprend une structure statistique, pas des faits garantis. Demandez des sources et vérifiez les affirmations qui comptent.
- Le contexte est un budget. Tout ce que le modèle sait de votre tâche se trouve dans le prompt, les preuves récupérées, les sorties d’outils ou la mémoire. Plus de texte ne signifie pas toujours plus de signal.
- La pourriture du contexte est réelle. Des contextes longs et répétitifs diluent l’attention et cachent le signal. Élaguez, ordonnez et résumez les preuves au lieu de remplir la fenêtre.
- Le raisonnement se calcule. Certains systèmes dépensent plus de calcul à l’inférence sur les problèmes difficiles. Demandez un plan, une critique et une seconde voie — mais vérifiez le résultat.
- La fluidité n’est pas la calibration. Une réponse polie peut être fausse. Demandez ce qui changerait la réponse, quelle preuve manque et où se situe l’incertitude.
- La sycophanie est un mode de défaillance. Les modèles sont souvent d’accord avec l’utilisateur. Demandez un désaccord, des contre-exemples et une revue hostile.
- La mémoire est un état que vous fournissez. Sauf si un produit stocke explicitement de la mémoire, supposez qu’une nouvelle session repart de zéro. Traitez la mémoire comme une donnée avec permissions et date d’expiration.
- La modalité change le mode de défaillance. Images, audio et vidéo ajoutent des erreurs d’OCR, de perception et de génération. Vérifiez chaque canal séparément.
Règle de travail. Utilisez le modèle pour élargir l’espace des options et accélérer le premier brouillon. Gardez la vérité, le jugement et la responsabilité dans un processus humain.
1.2
Écrire un brief exécutable
Un prompt est une spécification courte. Le but n’est pas une formulation astucieuse ; c’est assez de contexte pour qu’une autre personne compétente — ou un agent — exécute la tâche sans poser cinq questions.
- 01
Situation
Que se passe-t-il, pourquoi maintenant et qu’a-t-on déjà essayé ?
- 02
Public
Qui va lire ou utiliser la sortie ? Que sait-il déjà ?
- 03
Sources
Quels documents, données ou exemples font autorité ? Que faut-il ignorer ?
- 04
Tâche
Utilisez un verbe clair : comparer, diagnostiquer, concevoir, extraire, critiquer, résumer.
- 05
Contraintes
Longueur, langue, niveau de lecture, budget, outils, confidentialité et éléments à préserver.
- 06
Sortie
Tableau, mémo, schéma JSON, plan de cours, plan de slides ou note de décision.
- 07
Preuves
Exigez des citations, une note de confiance, un contre-argument ou une étape de vérification.
- 08
Critère de réussite
Quel test prouverait que la sortie est utile, complète et suffisamment sûre ?
Prompt faibleVague
Écris un plan de cours sur l’IA.
Prompt fort
Tu es formateur expérimenté au Maroc. Conçois une séance de 90 minutes pour 30 enseignants stagiaires ayant des niveaux numériques hétérogènes. Sujet : utiliser l’IA générative pour préparer une évaluation formative. Contraintes : aucun outil payant, une alternative hors ligne, inclure 10 minutes de discussion critique sur l’hallucination et la confidentialité. Sortie : un tableau avec temps, activité, gestes du formateur, matériel et preuve d’apprentissage. Ajoute un ticket de sortie. Si une contrainte est impossible, dis-le avant de rédiger.
Le prompt fort nomme la situation, le public, les sources, la tâche, les contraintes, le format, les preuves et le critère de réussite. C’est toute l’astuce.
Si le brief embrouille un collègue compétent, il embrouillera le modèle. La clarté n’est pas une contrainte sur la créativité ; c’est ce qui la rend utilisable.
1.3
Vérifier avant de faire confiance
La vérification est un workflow, pas une impression. Tenez un registre des affirmations pour tout ce qui compte : noms, chiffres, dates, citations, liens de causalité et recommandations.
- Séparez les affirmations du style. Extrayez les faits dans un tableau avant d’admirer la prose.
- Remontez à la preuve primaire. Préférez l’article, la loi, le jeu de données ou le document officiel à un résumé de résumé.
- Vérifiez l’indépendance. Cinq articles citant un même communiqué constituent une source, pas cinq.
- Refaites les calculs. Recalculez totaux, pourcentages, unités et dates. La fluidité n’est pas l’arithmétique.
- Inspectez les citations. Ouvrez le passage cité ; vérifiez qu’il existe et soutient réellement l’affirmation.
- Consignez l’incertitude. Indiquez ce qui est inconnu, contesté, inféré ou fondé sur des preuves faibles.
- Déclarez l’usage matériel. Respectez les règles de la revue, de l’école, de l’employeur ou de l’éditeur.
| Affirmation | Preuve | Statut | Ce qui la changerait |
|---|---|---|---|
| La politique s’applique à toutes les écoles. | Décret officiel, article 3 | Vérifié | Un amendement plus récent ou une exception de périmètre |
| L’intervention a amélioré les résultats. | Préprint, n=42, sans groupe contrôle | Faible | Une étude contrôlée ou une réplication |
| Le modèle est précis à 97 %. | Blog fournisseur | Non vérifié | Une évaluation indépendante sur vos données |
| La citation soutient l’argument. | Source originale, p. 14 | Vérifié | Un contexte manquant sur la même page |
Un registre d’affirmations est volontairement ennuyeux. C’est aussi le moyen le plus rapide d’attraper une erreur confiante avant qu’elle n’atteigne un étudiant, une revue ou une décision publique.
Filigranes et provenance sont des preuves, pas la vérité. Un filigrane imperceptible peut indiquer qu’un contenu a été généré ou modifié par un système compatible. Un certificat de contenu signé peut enregistrer l’origine et les modifications. Ni l’un ni l’autre ne prouve qu’une affirmation est vraie, et l’absence de marque ne prouve pas une origine humaine. Traitez la provenance comme un signal dans une chaîne de preuves.
1.4
Carnets ancrés dans les sources
Un carnet ancré dans les sources limite les réponses à un ensemble de documents que vous choisissez, puis affiche des citations vers la source. C’est l’un des motifs de recherche les plus utiles — et l’un des plus faciles à surévaluer.
Interroger vos sources
Importez articles, notes, transcriptions ou pages web et posez des questions. Exigez des citations en ligne et ouvrez chaque citation avant d’utiliser la réponse.
Exemples Gemini Notebook (anciennement NotebookLM), Elicit, Consensus, SciSpace.Transformer les sources en artefacts d’étude
Générez un briefing, une carte mentale, un résumé audio, des cartes de révision ou un plan de slides. Vérifiez chaque affirmation contre le passage source.
Exemples Outils de carnet ancrés dans les sources ; l’artefact est un brouillon, pas une source.Construire une matrice de preuves
Extrayez question, méthode, échantillon, résultat, limite et citation dans un tableau comparable. Utilisez-la pour voir les désaccords, pas pour les moyenner.
Exemples Un tableur et un carnet ; aucun outil unique n’est requis.- 01
Définir la question
Écrivez la décision, le périmètre et les critères d’inclusion avant de collecter les sources.
- 02
Curater le corpus
Privilégiez les sources primaires, récentes et indépendantes. Notez pourquoi chaque source est incluse.
- 03
Extraire les preuves
Remplissez une ligne par source : affirmation, méthode, échantillon, résultat, limite et page.
- 04
Synthétiser avec citations
Demandez une synthèse qui ne cite que les sources sélectionnées et signale les désaccords.
- 05
Auditer les citations
Ouvrez chaque citation. Vérifiez que le passage existe, est dans son contexte et soutient la phrase.
- 06
Consigner les lacunes
Notez les sources manquantes, les questions sans réponse et la décision qui en découle.
Un carnet ne peut raisonner que sur ce que vous lui donnez. Il ne vous dira pas quelles sources vous avez oubliées. La sélection des sources, les critères d’inclusion et le jugement final restent un travail humain.
1.5
Choisir la capacité, pas la marque
Chaque produit est un détail d’implémentation. Associez d’abord la tâche à une capacité, puis choisissez un outil adapté à vos données, votre langue, votre budget et votre risque.
- Explication en retour : expliquez X à trois niveaux, puis nommez une idée fausse courante.
- Critique d’abord : listez les faiblesses et classez les risques avant toute réécriture.
- Extraction structurée : affirmation, preuve, confiance et information manquante dans un tableau.
- Transfert few-shot : donnez deux exemples du ton ou du format voulu, puis demandez un troisième.
- Red team : demandez le contre-exemple le plus fort et la preuve qui ferait échouer votre brouillon.
- Planifier, approuver, exécuter : exigez un plan et un point de contrôle humain avant toute action irréversible.
Connaissances actuelles
Rechercher, naviguer et citer des informations récentes lorsque les données d’entraînement ne suffisent pas.
Exemples Assistants connectés au web et moteurs de recherche scientifique.Documents privés
Extraire, comparer et synthétiser des documents qui ne quittent jamais votre environnement contrôlé.
Exemples Stacks RAG locales et carnets ancrés dans les sources.Plans et décisions
Décomposer un problème, comparer des options, exposer les hypothèses et stress-tester un plan.
Exemples Assistants de raisonnement ; la méthode compte plus que le logo.Médias et structure
Rédiger du texte, des images, de l’audio, de la vidéo, du code, des tableaux ou des slides — puis vérifier droits, faits et fidélité.
Exemples Générateurs multimodaux avec contrôles de provenance et de consentement.Outils et workflows
Lire des données, appeler des API, exécuter du code, mettre à jour des dossiers ou envoyer des messages avec des permissions bornées.
Exemples Agents utilisant des outils et moteurs de workflow.Qualité et sécurité
Mesurer si le système fonctionne sur vos tâches, pas seulement si la démo impressionne.
Exemples Jeux de tests par tâche, grilles et revue des traces.Test de durabilité. Si le produit disparaît demain, pouvez-vous encore décrire la capacité, le workflow et le standard de preuve ? Sinon, vous avez appris un bouton, pas une compétence.
Point d’étapePouvez-vous transformer une tâche réelle en brief exécutable, vérifier ses affirmations et expliquer quelle capacité vous avez utilisée ?
Niveau 2 · Intermédiaire
Maîtrisez votre stack.
L’IA locale et privée est un choix de conception : contrôle, confidentialité et latence en échange de matériel, de maintenance et de limites de modèles. La compétence durable consiste à savoir ce qui tourne où, avec quelles permissions et quelles preuves.
Départ sans code4–6 heures
2.1
Local, hébergé ou hybride ?
Il n’y a pas de meilleur stack universel. Il y a le meilleur ajustement aux données, à la latence, à la qualité, au budget et à la capacité de maintenance d’un workflow précis.
| Critère | Local | API hébergée | Hybride |
|---|---|---|---|
| Contrôle des données | Le plus fort : les données restent sur l’appareil | Dépend du contrat et de la rétention | Router les données sensibles en local |
| Plafond de qualité | Limité par le matériel et les modèles ouverts | Souvent le plus haut et le plus rapide | Utiliser chacun là où il excelle |
| Latence | Faible et prévisible, sans réseau | Réseau + file du fournisseur | Cacher et router délibérément |
| Coût | Matériel, énergie, maintenance | Paiement au token ou abonnement | Optimiser le chemin coûteux |
| Charge opérationnelle | Mises à jour et sécurité à votre charge | Le fournisseur gère le modèle | Deux systèmes à surveiller |
| Risque de sortie | Faible si les formats sont ouverts | Risque fournisseur et tarifaire | Concevoir un noyau portable |
Utilisez le local quand les données ne peuvent pas sortir, que la latence compte ou que la connectivité est peu fiable. Utilisez l’hébergé quand la qualité de pointe, l’élasticité ou la couverture multimodale comptent. L’hybride est souvent la réponse honnête.
2.2
Le stack local, couche par couche
Gardez cinq couches séparables : runtime, interface, modèle, données et évaluation. Les séparer permet de remplacer l’une sans reconstruire le tout.
- Le nombre de paramètres est un signal grossier de capacité, pas une garantie de qualité.
- La quantification réduit la mémoire et peut réduire l’exactitude ; testez le compromis sur vos tâches.
- La longueur de contexte n’est pas gratuite : prompts longs = mémoire, latence et attention de moindre qualité.
- La couverture linguistique compte pour l’arabe, le français, la darija et les travaux mixtes.
- La licence et la provenance décident si vous pouvez déployer le modèle.
- Le support des outils et les sorties structurées déterminent son intégration dans un workflow.
| Mémoire | Modèles locaux confortables | Ce à quoi s’attendre |
|---|---|---|
| 8 Go RAM | 1B–4B quantisés | Chat basique, résumés et extraction rapides ; raisonnement limité. |
| 16 Go RAM | 7B–9B quantisés | Le bon compromis portable pour l’écriture, le tutorat et l’aide au code. |
| 24 Go VRAM | 13B–14B, certains 20B+ | Contexte plus long et itération plus rapide ; meilleurs agents de code. |
| 48 Go+ VRAM | 30B–70B quantisés | Fort raisonnement local ; station de travail ou multi-GPU. |
| Apple Silicon | La mémoire unifiée est le budget | Efficace pour 8B–30B ; surveillez la pression mémoire et la longueur du contexte. |
Stack d’exemple · commandes illustratives, pas une recommandation
# 1. Runtime: run a model on your machine
runtime pull <model>
runtime run <model>
# 2. Interface: chat, documents and users
# (desktop app or self-hosted web interface)
# 3. Model: choose by task, language and memory budget
# 4. Data: a folder of trusted documents + access rules
# 5. Evaluation: 20 real tasks with expected answers
#
# Before adding tools or memory, write down permissions.Un modèle qui tient en mémoire et répond vite vous apprend plus qu’un modèle géant qui échange sur le disque. Évaluez sur votre langue et vos tâches.
Un classement n’est pas une évaluation. Construisez un petit jeu de référence à partir de vos vrais documents et décisions ; mesurez exactitude, refus, latence et coût.
2.3
Du chat à l’agent
Un agent est une boucle : observer, planifier, agir, vérifier. L’autonomie est une décision de permission, pas une fonctionnalité produit. Avancez d’une étape à la fois.
- Moindre privilège : donnez la lecture avant l’écriture ; ne partagez jamais des identifiants administrateur.
- Sandbox : exécutez les outils non fiables dans un environnement jetable sans fichiers personnels.
- Points d’approbation : exigez une confirmation pour les paiements, publications, suppressions et messages externes.
- Piste d’audit : journalisez appels d’outils, entrées, sorties, approbations et version du modèle.
- Idempotence : rendez les exécutions répétées sûres ; les retries ne doivent pas dupliquer les actions.
- Coupe-circuit : sachez arrêter l’agent, révoquer les identifiants et annuler son travail.
- Revue mémoire : inspectez, corrigez et expirez ce que l’agent retient des personnes.
- 01
Répondre
Le système génère du texte à partir du contexte. Aucun accès aux données, aucun effet de bord.
- 02
Récupérer
Il lit des sources choisies et doit les citer. L’accès est en lecture seule.
- 03
Appeler des outils
Il effectue des calculs, interroge des bases ou utilise une API. Entrées et sorties sont journalisées.
- 04
Mémoriser
Il stocke un état utile entre sessions. La mémoire a un propriétaire, un périmètre et une expiration.
- 05
Planifier
Il s’exécute sur un déclencheur. Les tâches sont idempotentes et les échecs visibles.
- 06
Agir avec approbation
Il envoie, publie, paie ou supprime seulement après validation humaine — et avec un chemin de retour.
Le triangle d’exfiltration. Données privées + contenu non fiable + canal de communication externe = combinaison à haut risque. Cassez au moins une branche avant de déployer un agent. Un document peut contenir des instructions ; une page web peut contenir une attaque ; un outil peut fuiter.
2.4
Les compétences comme fichiers portables
Une compétence est un dossier d’instructions, d’exemples, de scripts et de références qu’un agent ne charge que lorsque c’est pertinent. SKILL.md émerge comme interface portable de la connaissance procédurale.
| Couche | Ce que c’est | Quand elle se charge | Utile pour |
|---|---|---|---|
| Prompt | Instructions pour une conversation | À chaque requête | Contexte immédiat et style |
| Compétence | Dossier versionné avec SKILL.md et fichiers optionnels | Quand la tâche correspond | Workflows experts réutilisables |
| Outil | Fonction avec schéma et permissions | Quand le modèle l’appelle | Actions déterministes et accès aux données |
| Agent | Boucle qui planifie, appelle des outils et vérifie | Pour une tâche entière | Travail multi-étapes sous supervision |
SKILL.md · anatomie minimale
---
name: rubric-feedback
description: Review a student draft against a rubric and produce prioritised feedback. Use when a teacher asks for formative feedback on a written assignment.
---
# Rubric feedback
## Inputs
- The draft
- The rubric with criteria and levels
- The course level and language
## Procedure
1. Check that the rubric covers the task.
2. Quote evidence from the draft for each criterion.
3. Give one strength, one priority fix and one next step.
4. Do not invent evidence or rewrite the whole draft.
## Output
A table: criterion, level, evidence, feedback, next step.
## Verification
Every judgement must point to a quotation from the draft. If the rubric is ambiguous, ask before grading.
## Failure modes
- Flattery without evidence
- Grading criteria not in the rubric
- Exposing student data outside the approved environment
## Permissions
Read the draft only. Do not publish, email or modify the original.Divulgation progressive : l’agent voit d’abord le nom et la description, lit SKILL.md si c’est pertinent, puis ouvre scripts ou références seulement au besoin.
Une compétence est un logiciel. Versionnez-la, relisez chaque fichier, testez-la sur un jeu de référence et n’installez jamais une compétence non fiable sans auditer scripts et appels réseau.
2.5
De petites automatisations qui tiennent
L’automatisation n’est pas de tout connecter à tout. Commencez par une décision répétée, une source de vérité et un point de contrôle humain.
Tri de la boîte académique
Classer un message, extraire une échéance, créer une tâche et rédiger une réponse à approuver.
Exemples E-mail + règles + modèle + gestionnaire de tâches.Veille scientifique
Surveiller un flux de préprints, filtrer selon des critères, résumer avec citations et envoyer un digest hebdomadaire.
Exemples OpenAlex/arXiv + modèle + e-mail.Routage des demandes de formation
Valider un formulaire, enrichir l’organisation, scorer l’adéquation, attribuer un parcours et rédiger un suivi.
Exemples Webhook + règles + modèle + CRM.Brief hebdomadaire du studio
Agréger les formulaires, calculer les tendances, résumer, archiver et notifier le responsable.
Exemples Cron + base + modèle + e-mail.- 01
Déclencheur
Un formulaire, un e-mail, une planification, un webhook ou un changement de fichier lance le workflow.
- 02
Valider
Vérifiez champs requis, permissions et qualité des données avant de dépenser des tokens.
- 03
Récupérer
Chargez le plus petit pack de preuves nécessaire à la décision.
- 04
Décider
Utilisez des règles déterministes quand c’est possible ; le modèle seulement pour l’ambiguïté.
- 05
Rédiger
Créez une réponse, une tâche, un résumé ou une recommandation — pas une action irréversible.
- 06
Approuver
Un humain révise les cas à fort impact ou à faible confiance.
- 07
Journaliser
Enregistrez entrées, sorties, version du modèle, approbation et résultat.
Déterministe quand c’est possible, probabiliste quand c’est nécessaire. Utilisez du code pour les règles, totaux, permissions et dates. Le modèle pour l’ambiguïté, la langue et la synthèse. Gardez l’approbation humaine pour tout ce qui ne peut pas être annulé.
Point d’étapePouvez-vous expliquer où tournent vos données, à quoi le modèle a accès et quelle action exige une approbation humaine ?
Niveau 3 · Avancé
Construire, automatiser, évaluer.
Passez de l’usage des modèles à l’ingénierie avec eux. Le niveau avancé porte sur les systèmes : récupération, adaptation, agents, évaluation et coût de l’erreur. Chaque composant doit être mesurable.
Python · évaluation2–4 semaines
3.1
Les fondations de l’ingénierie IA
La profondeur bat la largeur. Apprenez assez de mathématiques pour raisonner, assez de machine learning pour déboguer et assez d’ingénierie pour livrer un système maintenable par quelqu’un d’autre.
Maths et Python
Algèbre linéaire, probabilités, calcul, NumPy, pandas, API, environnements, Git et tests.
Exemples Les notebooks servent à explorer ; les tests et le versionnement servent à produire.Des modèles qui gagnent encore
Régression, arbres, gradient boosting, validation croisée, fuite de données, calibration et baselines.
Exemples Une baseline simple bat souvent un modèle coûteux sur des données tabulaires.Réseaux de neurones
Tenseurs, autograd, attention, boucles d’entraînement, GPU, précision mixte et évaluation.
Exemples Comprenez la perte avant de régler l’architecture.Le système autour du modèle
Embeddings, récupération, reranking, LoRA, serving, agents, observabilité et coût.
Exemples L’essentiel du gain vient des données et de la récupération, pas d’un modèle plus gros.Boucle d’entraînement minimale · lisez la perte, pas seulement l’exactitude
import torch
from torch import nn
model = nn.Sequential(
nn.Linear(768, 256),
nn.GELU(),
nn.Dropout(0.1),
nn.Linear(256, 4)
)
optimizer = torch.optim.AdamW(model.parameters(), lr=3e-4)
loss_fn = nn.CrossEntropyLoss()
for batch in train_loader:
x, y = batch["features"], batch["label"]
optimizer.zero_grad(set_to_none=True)
logits = model(x)
loss = loss_fn(logits, y)
loss.backward()
optimizer.step()Le code est simple. Les parties difficiles sont les données, le split, la métrique et la décision que le modèle doit améliorer.
3.2
Une récupération qui cite
La génération augmentée par récupération est un pipeline de preuves, pas une base vectorielle. Évaluez la récupération séparément de la génération : un générateur parfait ne peut pas sauver le mauvais document.
- 01
Ingérer
Nettoyez le texte, conservez titres, numéros de page, identifiants de source et règles d’accès.
- 02
Découper
Segmentez par sens et structure, pas seulement par nombre de caractères. Gardez assez de contexte pour être intelligible.
- 03
Indexer
Combinez embeddings et recherche par mots-clés ou hybride. Stockez les métadonnées pour filtrer par droits, date et public.
- 04
Récupérer + reranker
Récupérez des candidats, puis sélectionnez le plus petit pack de preuves qui répond à la question.
- 05
Générer + citer
Répondez uniquement à partir du pack. Signalez quand la preuve manque ou contredit une autre source.
- 06
Évaluer
Mesurez rappel de récupération, exactitude des citations, ancrage et utilité sur un jeu propre à la tâche.
| Métrique | Question | Défaillance détectée |
|---|---|---|
| Rappel de récupération | La bonne preuve est-elle apparue ? | Document manquant, mauvais découpage, index faible |
| Exactitude des citations | Le passage cité soutient-il la phrase ? | Citations décoratives ou inventées |
| Ancrage | Chaque affirmation matérielle est-elle soutenue ? | Extrapolation confiante au-delà des preuves |
| Pertinence de la réponse | Répond-elle à la vraie question ? | Réponse correcte mais inutile |
| Coût et latence | Combien coûte une réponse réussie ? | Système élégant mais non scalable |
| Qualité du refus | S’arrête-t-il quand la preuve manque ? | Devinette dangereuse sous incertitude |
Construisez 50 à 100 questions réelles avant de choisir une taille de chunk ou un modèle. Si vous ne pouvez pas mesurer la récupération, vous réglez à l’anecdote.
3.3
L’échelle d’adaptation
Ne fine-tunez pas avant d’avoir essayé de récupérer. Montez l’échelle seulement quand le barreau inférieur a été mesuré et échoue encore.
- La qualité des données bat la quantité. Un petit ensemble curé et consenti surpasse souvent un grand ensemble bruité.
- Séparez entraînement, validation et test. N’évaluez jamais sur des exemples vus par le modèle.
- Les données synthétiques ont besoin de provenance. Enregistrez générateur, prompt, date et statut de revue humaine.
- Surveillez l’effondrement et l’homogénéisation. Des exemples humains divers et une évaluation indépendante réduisent le risque.
- La distillation est un problème d’évaluation. Un modèle plus petit n’est utile que s’il préserve le comportement qui compte.
- 01
Prompt + contexte
Un brief clair, des exemples et les bons documents suffisent-ils ?
- 02
Récupération
Le modèle a-t-il besoin de connaissances privées, changeantes ou citables ?
- 03
Outils
Doit-il calculer, naviguer, interroger une base ou appeler une API ?
- 04
Fine-tuning
Faut-il un style, un schéma ou un comportement de domaine que le prompt ne donne pas ?
- 05
Distillation / compression
Un modèle plus petit et moins cher peut-il reproduire le comportement sur votre tâche étroite ?
- 06
Pré-entraînement
Presque jamais la première réponse. Seulement avec des données uniques, du calcul et une raison claire.
Esquisse LoRA · adaptation efficace, pas un raccourci
from datasets import load_dataset
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import LoraConfig, get_peft_model
from trl import SFTTrainer
model_id = "your-base-model"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)
lora = LoraConfig(
r=16, lora_alpha=32, lora_dropout=0.05,
target_modules=["q_proj", "v_proj"],
task_type="CAUSAL_LM"
)
model = get_peft_model(model, lora)
trainer = SFTTrainer(
model=model, tokenizer=tokenizer,
train_dataset=load_dataset("json", data_files="train.jsonl")["train"],
dataset_text_field="text", max_seq_length=2048
)
trainer.train()Le jeu de données est le produit. Documentez consentement, licence, données personnelles, doublons, qualité des labels et jeu d’évaluation avant l’entraînement.
3.4
Architecture d’agent
Un agent est une boucle contrôlée autour d’un modèle. L’architecture concerne surtout l’état, les permissions, les outils et la gestion des échecs — pas le prompt.
- Injection de prompt : un contenu non fiable peut contenir des instructions. Marquez le texte externe comme donnée et ne le laissez jamais accorder des permissions.
- Abus d’outils : validez les arguments, bornez les périmètres et limitez les actions destructrices.
- Boucle infinie : plafonnez les étapes, détectez les répétitions et définissez une escalade.
- Corruption d’état : gardez une mémoire typée, versionnée et relisible ; jamais de secrets en clair.
- Succès partiel silencieux : exigez une vérification explicite de complétion, pas seulement un message final plausible.
- Chaîne d’approvisionnement : auditez outils, paquets et compétences ; épinglez les versions et surveillez les changements.
Planificateur
Décompose la tâche et décide quand s’arrêter. Préférez des machines à états explicites pour les workflows répétables.
Exemples Planifier → agir → observer → vérifier → arrêter.Outils
Fonctions typées à périmètre étroit et erreurs claires. Un schéma d’outil est un contrat d’API et une frontière de sécurité.
Exemples MCP est un protocole ouvert pour exposer outils et données.Mémoire
État entre les étapes ou les sessions. Séparez mémoire de travail, faits durables et préférences.
Exemples Une mémoire a un propriétaire, un périmètre, une expiration et une revue.Garde-fous
Filtres d’entrée, contrôles de permission, validation de sortie et points d’approbation autour du modèle.
Exemples Ne comptez pas sur le modèle pour appliquer ses propres permissions.Observabilité
Traces des prompts, appels d’outils, retries, coût, latence et approbations. Sans traces, pas de débogage ni d’audit.
Exemples Traces de type OpenTelemetry ; résultats par tâche.Évaluation
Succès de la tâche, exactitude des outils, sécurité, coût et temps. Évaluez toute la boucle, pas seulement le texte final.
Exemples Une trajectoire peut être fausse même si la réponse finale semble bonne.Les protocoles réduisent la dépendance. Des interfaces ouvertes pour les outils et compétences — comme MCP pour la connectivité et SKILL.md pour les procédures — rendent les capacités portables entre agents. Le protocole n’est pas le produit ; c’est la sortie de secours.
3.5
Évaluation et LLMOps
L’évaluation est ce qui transforme un système d’IA en ingénierie. Construisez un portail de release, pas une démo. Mesurez ce dont les utilisateurs ont besoin, ce qui peut mal tourner et ce que cela coûte.
- Revue des traces : échantillonnez de vraies trajectoires, pas seulement les réponses finales.
- Taxonomie des échecs : classez les erreurs pour corriger les causes, pas les symptômes.
- Dérive : surveillez la distribution des entrées, la qualité de récupération et les corrections des utilisateurs.
- Coût de l’échec : incluez la revue humaine et le temps de récupération, pas seulement les tokens.
- Règle d’arrêt : définissez à l’avance quelle preuve vous ferait suspendre ou retirer le système.
- 01
Définir la décision
Quelle action le système soutient-il ? Qui est responsable ? Quel est le coût d’un faux positif et d’un faux négatif ?
- 02
Construire un jeu de tâches
Collectez des entrées réelles avec résultats attendus, cas limites, cas adverses et refus.
- 03
Écrire une grille
Rendez les critères observables : exactitude, preuve, complétude, ton, sécurité et actionnabilité.
- 04
Calibrer les juges
Comparez les juges automatiques aux notes humaines. Le LLM-as-judge a des biais ; utilisez-le pour trier, pas pour la responsabilité finale.
- 05
Mesurer le système
Suivez ancrage, succès des outils, latence, coût par tâche réussie, qualité du refus et préjudice.
- 06
Verrouiller les releases
Lancez les tests de régression à chaque changement de modèle, prompt, récupération ou outil. Gardez un canary et un rollback.
3.6
IA embarquée et automatisation
L’edge, c’est l’intelligence là où vivent les données : confidentialité, fonctionnement hors ligne et faible latence. Le compromis porte sur la mémoire, l’énergie, la taille du modèle et la complexité des mises à jour.
Inférence locale
Runtime, quantification et accélération matérielle. Gardez le modèle et l’application séparables.
Exemples llama.cpp, ONNX Runtime, LiteRT, ExecuTorch, OpenVINO.Tenir sur l’appareil
Quantification 4 bits, élagage, distillation, contexte réduit et décodage spéculatif.
Exemples Mesurez la perte d’exactitude sur vos tâches, pas seulement la taille.Conditions réelles
Tokens par seconde, latence p95, pic mémoire, throttling thermique, batterie et écart d’exactitude.
Exemples Un benchmark sur laptop n’est pas un benchmark sur les appareils de la classe.Réalité du parc
Chemin de mise à jour, licence, diversité des appareils, filtres de sécurité, rétention et révocation à distance.
Exemples Concevez pour des appareils que vous ne pouvez pas atteindre.Le plus petit système qui marche. Utilisez du code déterministe pour les règles et l’arithmétique. Un petit modèle local pour l’ambiguïté et la langue. Un modèle de pointe hébergé seulement si la tâche l’exige vraiment. Le système le moins cher et le plus sûr est souvent le plus petit qui passe l’évaluation.
Point d’étapePouvez-vous construire un prototype RAG cité, le mesurer, expliquer ses modes de défaillance et justifier si le fine-tuning était nécessaire ?
Niveau 4 · Expert
Concevoir des systèmes dignes de confiance.
Le niveau expert ne consiste pas à utiliser un modèle plus gros. Il porte sur l’architecture, la mesure, la sécurité, la gouvernance, l’économie et le jugement de savoir quand ne pas déployer.
Systèmes · gouvernanceEn continu
4.1
L’architecture avant les modèles
Commencez par la décision et les modes de défaillance. Choisissez ensuite la plus petite architecture qui peut être évaluée, auditée et maintenue.
Borner le système
Définissez utilisateurs, décisions, flux de données, permissions et la personne responsable du résultat.
Exemples Un schéma avec frontières de confiance est plus utile qu’une liste de modèles.Concevoir pour l’échec
Que se passe-t-il si le modèle est indisponible, lent, faux, manipulé ou trop confiant ?
Exemples Fallback, refus, escalade humaine et rollback.Rendre l’état explicite
Séparez état de conversation, preuves récupérées, résultats d’outils, mémoire et approbations.
Exemples Des machines à états typées battent l’état caché dans le prompt.Composer, pas monolithiser
De petits modèles, services déterministes et outils étroits sont plus faciles à tester et à remplacer.
Exemples Un fournisseur est un risque ; un protocole est une sortie de secours.4.2
Sécurité et pensée adversariale
Traitez chaque modèle, outil, document et compétence comme une surface d’attaque potentielle. La sécurité n’est pas un filtre ajouté à la fin ; c’est le modèle de permissions.
- Injection de prompt : le texte externe peut contenir des instructions. Séparez données et contrôle ; ne laissez jamais un contenu accorder une autorité.
- Exfiltration de données : données privées + contenu non fiable + canal sortant = triangle à haut risque. Cassez une branche.
- Abus d’outils : validez les arguments, bornez les identifiants, limitez le débit et exigez une approbation pour les actions destructrices.
- Chaîne d’approvisionnement : auditez modèles, paquets, serveurs MCP et compétences. Épinglez les versions et surveillez les mises à jour silencieuses.
- Empoisonnement : les données d’entraînement et de récupération peuvent être manipulées. Vérifiez la provenance et surveillez les anomalies.
- Secrets : ne placez jamais d’identifiants dans les prompts, la mémoire, les logs, les compétences ou les dépôts.
- Red team : testez jailbreaks, injection indirecte, fuite de données, abus d’outils et déni de service avant le lancement.
Le moindre privilège est un contrôle de sûreté. Un agent qui ne peut ni supprimer, ni payer, ni envoyer ne peut pas causer ces préjudices, même s’il est manipulé. Concevez les permissions pour que la pire action reste réparable.
4.3
Une gouvernance utilisable
La gouvernance est la manière dont une institution décide, documente, surveille et corrige l’usage de l’IA. Elle doit réduire les préjudices sans rendre le travail utile impossible.
- Protection des données : cartographiez données personnelles, base légale, rétention, transferts transfrontaliers et droits des personnes.
- Transparence : dites quand l’IA influence matériellement une décision et offrez une voie de revue humaine.
- Documentation : modèle, version, données, prompts, évaluations, limites connues, approbations et changements.
- Achats : demandez évaluations, preuves de sécurité, conditions d’usage des données, portabilité et aide à la sortie.
- Réponse aux incidents : détecter, contenir, notifier, corriger et apprendre. Entraînez-vous avant d’en avoir besoin.
NIST AI RMF
Gouverner, cartographier, mesurer et gérer le risque sur tout le cycle de vie. Le profil IA générative ajoute confabulation, vie privée et intégrité de l’information.
Exemples Utilisez-le comme checklist structurée, pas comme certificat.EU AI Act
Niveaux de risque, des pratiques interdites aux systèmes à haut risque, avec obligations de transparence et de littératie. Vérifiez les dates et votre rôle.
Exemples Un outil éducatif ou de recrutement à haut risque n’a pas les mêmes devoirs qu’un assistant rédactionnel.UNESCO
Dignité humaine, droits, transparence, équité, vie privée, durabilité, supervision et responsabilité. Le cadre enseignants ajoute 15 compétences en cinq dimensions.
Exemples Utilisez les principes pour poser de meilleures questions ; la loi locale fixe les obligations.Politique et recours
Finalité, données permises, supervision humaine, signalement d’incident, appel, audit et responsable nommé.
Exemples Une politique d’une page suivie vaut mieux qu’un document de 60 pages ignoré.4.4
Économie, souveraineté et long terme
Le système le moins cher est souvent celui dont le périmètre est le plus petit. Le système le plus souverain est celui dont vous pouvez emporter les données, les compétences et les évaluations.
- Coût par tâche réussie bat le coût par token. Incluez récupération, revue humaine, reprise et échec.
- Acheter ou construire : achetez la couche commodité ; construisez les données, le workflow et l’évaluation qui vous différencient.
- Sortie fournisseur : gardez prompts, données, compétences et jeux d’évaluation portables. Évitez les formats propriétaires pour le noyau.
- Standards ouverts : protocoles et formats de fichiers réduisent la dépendance et rendent les capacités réutilisables.
- Langue locale : évaluez explicitement l’arabe, le français, la darija et les usages mixtes ; ne supposez pas le transfert.
- Intérêt public : éducation, santé et services publics ont besoin d’accessibilité, de recours et de durabilité, pas seulement d’exactitude.
La règle d’arrêt. Avant le déploiement, écrivez la preuve qui vous ferait arrêter. Si aucune preuve ne peut arrêter le projet, ce n’est pas un pilote ; c’est un engagement irréversible.
4.5
Projet de synthèse : un assistant de domaine digne de confiance
Choisissez un vrai workflow : conseil pédagogique, synthèse de recherche, feedback formatif ou connaissance institutionnelle. Livrez un système étroit avec citations, logs, approbation humaine et rapport d’évaluation.
- Auto-évaluation : quelle décision ce système améliore-t-il, et qui est responsable quand il se trompe ?
- Minimalisme : quel est le plus petit modèle, périmètre et architecture qui pourraient fonctionner ?
- Preuve : comment mesurerez-vous l’ancrage, pas seulement la fluidité ?
- Résilience : que se passe-t-il si l’outil est indisponible, lent ou confiant et faux ?
- Données : quelles données ne doivent jamais quitter l’institution, et comment l’imposez-vous ?
- Arrêt : quelle preuve vous ferait suspendre ou retirer le système ?
- 01
Semaine 1 — Définir
Utilisateurs, décisions, frontières des données, métrique de succès, modes d’échec et règle d’arrêt.
- 02
Semaine 2 — Prototyper
Récupération ou outils d’abord. Construisez une baseline et un jeu d’évaluation avant de polir l’interface.
- 03
Semaine 3 — Durcir
Permissions, citations, journalisation, rate limits, fallback, tests red team et revue humaine.
- 04
Semaine 4 — Mesurer et publier
Rapportez résultats, limites, coût et prochaine expérience. Invitez une revue externe.
Point d’étapePouvez-vous défendre une architecture, un plan d’évaluation et une règle d’arrêt devant un comité sceptique ?
Labo de transfert · Humain → IA
Encodez l’expertise, pas seulement des prompts.
L’actif rare n’est pas un modèle. C’est le jugement encodé d’un expert. Ce labo montre comment capturer la connaissance tacite, la transformer en compétence testée et la maintenir vivante quand le travail change.
L1
La méthode de transfert en cinq étapes
Ne commencez pas par un outil. Commencez par une tâche avec une sortie réelle, un coût réel et un expert capable d’expliquer son jugement.
- 01
Choisir une tâche bornée
Choisissez une tâche répétée, observable et assez coûteuse pour compter — mais pas assez critique pour être automatisée sans revue. Bons premiers candidats : feedback sur un brouillon, tri de littérature, synthèse de réunion, qualification d’une demande de formation.
- 02
Capturer le travail
Observez l’expert, demandez-lui de penser à voix haute, collectez de vrais artefacts et interrogez-le sur les exceptions. Notez ce qu’il remarque, pas seulement ce qu’il fait.
- 03
Structurer le jugement
Écrivez le déclencheur, les entrées, les décisions, les règles empiriques, les exceptions, la sortie, la preuve, les modes d’échec et les permissions. C’est le canevas de transfert.
- 04
Encoder en compétence
Créez SKILL.md avec exemples, scripts et références. Utilisez la divulgation progressive : métadonnées d’abord, instructions au déclenchement, ressources seulement au besoin.
- 05
Évaluer et maintenir
Construisez un jeu de référence, une grille et des tests de régression. Attribuez un propriétaire, une version, une date de revue et un chemin de dépréciation.
Le test du transfert. Un nouveau collègue doit pouvoir produire une sortie acceptable à partir de la compétence, des exemples et des règles de vérification — sans appeler l’expert pour chaque cas.
L2
Analyse cognitive de la tâche
Les experts ne savent souvent pas expliquer leur propre expertise. L’entretien doit faire émerger les indices, seuils, exceptions et frontières éthiques invisibles dans un manuel de procédure.
- Que remarquez-vous en premier ? Indices perceptifs, signaux d’alerte et informations qu’un novice manque.
- Qu’est-ce qui vous fait ralentir ou arrêter ? Seuils, incertitude, risque et point d’escalade.
- Quelles exceptions priment sur la règle ? Les cas où la procédure standard serait fausse.
- À quoi ressemble un bon résultat ? Un exemple concret, un exemple faible et la différence entre les deux.
- Que n’automatiseriez-vous jamais ? Jugement, relations, éthique et responsabilité.
- Où les experts sont-ils en désaccord ? Encodez le désaccord comme chemin d’escalade, pas comme faux consensus.
- Quelle preuve démontre la sortie ? La citation, le calcul, l’observation ou l’approbation qui la rend fiable.
Capturez l’exception, pas seulement la moyenne. La valeur de l’expertise se trouve souvent dans les cas limites. Une compétence qui ne marche que sur les 80 % faciles est une démo ; une compétence qui sait s’arrêter est un système.
L3
Le canevas de transfert de compétence
Remplissez-le avant d’écrire les instructions. Si un champ est vide, la compétence n’est pas prête.
| Champ | Question | Exemple : feedback formatif |
|---|---|---|
| Déclencheur | Quand la compétence doit-elle s’activer ? | Un enseignant soumet un brouillon avec une grille |
| Entrées | Que faut-il fournir ? | Brouillon, grille, niveau, langue, échéance |
| Décisions | Quels jugements sont portés ? | Niveau du critère, qualité de preuve, priorité de correction |
| Règles empiriques | Que vérifie l’expert en premier ? | La preuve soutient-elle vraiment l’affirmation ? |
| Exceptions | Quand faut-il arrêter ou escalader ? | Grille ambiguë, suspicion de fraude, contexte manquant |
| Sortie | Que produit-on exactement ? | Tableau : critère, niveau, preuve, feedback, prochaine étape |
| Preuve | Comment vérifier la qualité ? | Citation du brouillon pour chaque jugement |
| Modes d’échec | Quelles erreurs sont prévisibles ? | Flatterie, preuve inventée, dérive des critères |
| Permissions | Que peut-elle lire, écrire ou envoyer ? | Lecture seule ; pas d’e-mail ; pas de publication |
L4
Un fichier de compétence utilisable par un agent
Gardez le fichier principal assez court pour être chargé quand c’est pertinent. Déplacez les références détaillées dans des fichiers séparés et les opérations déterministes dans des scripts.
SKILL.md · un premier brouillon complet
---
name: formative-feedback
description: Review a student draft against a rubric and produce prioritised formative feedback. Use when a teacher provides a draft, a rubric and a course level.
---
# Formative feedback
## When to use
Use for written assignments where the rubric is available and the goal is improvement, not final grading.
## Inputs
- Student draft
- Rubric with criteria and levels
- Course level and language
- Any accessibility or confidentiality constraints
## Procedure
1. Confirm the rubric matches the task.
2. For each criterion, find the strongest evidence in the draft.
3. Assign a level only when the evidence supports it.
4. Give one strength, one priority fix and one next step.
5. Ask for clarification if the rubric or context is ambiguous.
## Output
A table with: criterion, level, evidence quote, feedback, next step.
End with two sentences: the main strength and the single highest-leverage improvement.
## Verification
- Every level must cite a quotation from the draft.
- Do not invent evidence, sources or rubric criteria.
- Do not rewrite the whole draft.
- If confidence is low, say what is missing and stop.
## Failure modes
- Praise without evidence
- Grading against criteria not in the rubric
- Exposing student data outside the approved environment
- Overwriting the student's voice
## Permissions
Read-only. Do not email, publish or modify the original. Store no student data outside the approved system.
## Examples
See `references/examples.md` for one strong and one weak feedback set.
## Tests
See `references/eval.md` for the 12-case gold set and pass criteria.La description dit ce que fait la compétence et quand l’utiliser. Le corps est une procédure, pas un essai. Références et tests ne sont chargés qu’au besoin.
L5
Évaluer, versionner et maintenir
Une compétence sans évaluation est un espoir. Construisez un petit jeu de référence, définissez des critères de réussite et révisez la compétence à chaque changement de tâche, de modèle ou de politique.
- Jeu de référence : 10 à 30 cas réels avec sorties validées par un expert, dont faciles, ambigus et adverses.
- Grille : critères observables d’exactitude, de preuve, de complétude, de ton, de sécurité et d’actionnabilité.
- Critères de réussite : le seuil minimal de release, plus un seuil séparé pour les cas critiques.
- Calibration humaine : comparez les jugements de la compétence à ceux de l’expert ; notez les désaccords.
- Tests de régression : relancez le jeu après chaque changement de prompt, modèle, outil ou référence.
- Canary : déployez sur un petit groupe avec revue avant l’usage large.
- Propriété : un propriétaire nommé, une version, un changelog et une date de revue.
- Dépréciation : un chemin pour retirer la compétence quand le workflow ou la loi change.
N’automatisez pas un jugement que vous ne pouvez pas expliquer. Si deux experts sont en désaccord, capturez ce désaccord comme règle d’escalade. Un système qui prétend résoudre un désaccord légitime n’est pas fiable ; il est seulement confiant.
Téléchargement
Commencez par le canevas, puis écrivez la compétence.
Un canevas Markdown à remplir avec les champs déclencheur, décisions, exceptions, preuve, modes d’échec et permissions. Utilisez-le avec l’exemple SKILL.md ci-dessus.
Labo de preuves · Connaissance et provenance
Vérifiez le signal, pas la surface.
L’IA a rendu la production de contenu bon marché et sa vérification plus difficile. La compétence durable est un protocole de preuve qui fonctionne même quand le générateur, le détecteur ou la plateforme change.
E1
Des sources à la preuve
Un carnet ancré dans les sources est un environnement de lecture et de synthèse. Ce n’est pas une autorité. Le pipeline de preuves fait la différence entre un résumé et une affirmation défendable.
- 01
Cadrer la question
Écrivez la décision, le périmètre et les critères d’inclusion. Décidez ce qui compterait comme preuve avant de chercher.
- 02
Curater le corpus
Préférez les sources primaires, indépendantes et récentes. Notez pourquoi chaque source est incluse et ce qu’elle ne peut pas établir.
- 03
Extraire, pas résumer
Pour chaque source, capturez affirmation, méthode, échantillon, résultat, limite et localisation exacte.
- 04
Comparer et contester
Cherchez désaccords, réplications, conflits d’intérêts et populations manquantes. Ne moyennez pas un vrai désaccord.
- 05
Synthétiser avec citations
Écrivez la plus petite synthèse qui répond à la question. Chaque phrase matérielle doit pointer vers une preuve.
- 06
Auditer et archiver
Ouvrez chaque citation, vérifiez le passage, enregistrez la date de recherche et archivez le corpus.
Les carnets ancrés dans les sources — par exemple Gemini Notebook, anciennement NotebookLM, ou des outils comme Elicit et Consensus — accélèrent le pipeline. Ils ne choisissent pas vos critères d’inclusion et ne portent pas la responsabilité de la conclusion.
E2
Signaux de provenance
La provenance renseigne sur l’origine et l’historique des modifications. Elle ne dit pas si le contenu est vrai, équitable ou utile. Lisez le signal, puis faites la vérification.
Filigrane imperceptible
Un filigrane peut être intégré aux images, audio, textes ou vidéos générés et détecté par des outils compatibles. Il est conçu pour résister à certaines modifications, pas à toutes.
Exemples Google SynthID est un exemple ; la détection passe par des produits compatibles et un portail de vérification.Certificat de contenu signé
Un manifeste cryptographique peut enregistrer qui a créé ou modifié un fichier, avec quel outil et quand. C’est une chaîne de signatures, pas une preuve de vérité.
Exemples C2PA Content Credentials est un standard ouvert ; vérifiez le signataire et l’historique complet.L’absence n’est pas une preuve
Un filigrane ou un certificat manquant ne prouve pas une origine humaine. Un contenu peut être réencodé, recadré, capturé ou généré par un système qui ne marque pas.
Exemples Traitez la détection comme une preuve probabiliste, jamais comme un verdict.Synthétique ne signifie pas faux
Une image synthétique peut illustrer un événement vrai ; une image réelle peut être légendée faussement. Évaluez l’affirmation, le contexte et la source séparément.
Exemples Recherche d’image inversée, upload original, géolocalisation et contact direct.La détection n’est pas la responsabilité. Ne construisez pas une procédure disciplinaire ou éditoriale sur un seul score de détecteur. Utilisez la provenance comme un signal, documentez la chaîne de preuves et donnez à la personne le droit de répondre.
E3
Un protocole de vérification qui survit aux nouveaux outils
Le protocole est volontairement indépendant des outils. Il fonctionne pour le texte, les images, l’audio, la vidéo, les jeux de données et les citations.
- Trouvez l’original. Remontez au fichier ou à l’affirmation la plus ancienne disponible, pas à la copie la plus virale.
- Vérifiez le contexte. Lisez le document, la page, la transcription ou la vidéo autour de l’extrait.
- Vérifiez la date. Une source réelle peut être obsolète, remplacée ou appliquée à une autre population.
- Vérifiez l’indépendance. Plusieurs médias citant une même origine constituent une source. Cherchez des méthodes et données indépendantes.
- Recalculez. Vérifiez totaux, pourcentages, unités, baselines et affirmations statistiques.
- Inspectez le média. Cherchez des incohérences, sans vous fier uniquement à l’intuition visuelle. Utilisez la recherche inversée et les outils de provenance.
- Contactez la source. Pour les affirmations conséquentes, interrogez l’auteur, l’institution ou le propriétaire des données.
- Consignez l’incertitude. Publiez ce qui est connu, inféré et encore inconnu.
E4
Médias synthétiques, consentement et dignité
La génération de voix, d’images et de vidéos peut soutenir l’apprentissage, l’accessibilité et la créativité. Elle peut aussi usurper, sexualiser, diffamer ou effacer le consentement. La question politique précède le prompt.
- Consentement : ne clonez pas la voix, le visage ou le style d’une personne sans permission explicite et informée.
- Divulgation : étiquetez les médias synthétiques lorsqu’ils pourraient être pris pour une preuve ou une personne réelle.
- Mineurs : protection renforcée, aucun contenu sexualisé, aucune donnée identifiable d’élève, aucune rétention inutile.
- Contexte culturel : respectez les normes locales, la langue et les sensibilités religieuses ; n’utilisez pas le synthétique pour effacer ou parodier des groupes vulnérables.
- Droit d’auteur : les sorties peuvent reproduire des styles ou contenus protégés ; vérifiez licences et politique institutionnelle.
- Recours : offrez une voie pour signaler l’usurpation, corriger les erreurs et retirer les contenus nuisibles.
- Éducation : enseignez ensemble la vérification et l’éthique de création ; ne vous contentez pas d’interdire l’outil.
Atlas des capacités · 2026
Apprenez la capacité, pas le leader de catégorie.
La même capacité apparaît sous de nombreux noms de produits. Utilisez cet atlas pour reconnaître ce qu’un outil fait réellement, ce qu’il ne peut pas faire et ce que vous devez apprendre pour l’évaluer.
Planification et décomposition
Transformer un objectif en étapes, exposer les hypothèses, comparer des options et décider quand s’arrêter.
À apprendre Décomposition, calcul à l’inférence, autocritique et vérification.
Exemples Assistants de raisonnement ; la méthode compte plus que le logo.Recherche et connaissances actuelles
Trouver des informations récentes ou pointues et les rendre avec citations.
À apprendre Conception de requêtes, classement des sources, fraîcheur, triangulation.
Exemples Assistants connectés au web et moteurs de recherche scientifique.Carnets ancrés dans les sources
Limiter les réponses à un corpus choisi et montrer les preuves vers la source.
À apprendre Curation du corpus, matrices de preuves, audit des citations.
Exemples Gemini Notebook (anciennement NotebookLM), Elicit, Consensus, SciSpace.Outils et protocoles
Laisser un modèle appeler des fonctions étroites et typées pour lire, calculer ou modifier un état.
À apprendre Schémas d’outils, permissions, idempotence, MCP, journaux d’audit.
Exemples MCP est un protocole ouvert pour outils et données.Usage d’un ordinateur et du navigateur
Piloter une interface graphique quand aucune API n’existe, avec observation et récupération.
À apprendre Sandbox, captures d’écran, retries, limites d’action, reprise humaine.
Exemples Agents navigateur et automatisation de bureau ; risque élevé sans isolation.Mémoire et personnalisation
Conserver un état utile entre sessions en respectant périmètre, consentement et expiration.
À apprendre Mémoire de travail vs long terme, rappel, contrôle utilisateur.
Exemples Assistants persistants ; relisez toujours ce qui est mémorisé.Compétences et procédures
Packager des workflows experts en instructions versionnées, exemples, scripts et tests.
À apprendre SKILL.md, divulgation progressive, jeux de référence, propriété.
Exemples Format ouvert Agent Skills ; portable entre agents compatibles.Génération multimodale
Générer ou modifier texte, images, audio, vidéo, code et fichiers structurés.
À apprendre Prompt par modalité, fidélité, droits, accessibilité, provenance.
Exemples Générateurs image/audio/vidéo ; vérifiez consentement et filigrane.Provenance et filigrane
Lire les signaux d’origine et d’historique ; comprendre leurs limites.
À apprendre C2PA, SynthID, métadonnées, recherche inversée, chaîne de conservation.
Exemples SynthID et Content Credentials ; aucun ne prouve la vérité.Évaluation et observabilité
Mesurer succès, ancrage, sécurité, latence et coût sur des entrées réelles.
À apprendre Jeux de référence, grilles, biais du LLM-as-judge, traces, régression.
Exemples Évaluations par tâche et revue des traces ; la méthode dure.Sécurité et garde-fous
Prévenir injection de prompt, exfiltration, abus d’outils et attaques de chaîne d’approvisionnement.
À apprendre Moindre privilège, sandbox, validation entrée/sortie, red team.
Exemples La sécurité est une architecture, pas un filtre.Gouvernance et responsabilité
Attribuer finalité, supervision, recours et règle d’arrêt applicables.
À apprendre Niveaux de risque, documentation, audit, protection des données, décision humaine.
Exemples NIST AI RMF, EU AI Act, principes UNESCO ; la loi locale décide.Les noms sont des exemples, pas des recommandations. Vérifiez licence, sécurité, conditions de données, qualité linguistique et adéquation avant d’adopter un produit. Si un outil disparaît, la capacité et l’évaluation doivent rester.
Carte des frontières · à suivre
Suivez la capacité, pas le lancement.
Un thème de frontière compte quand il change ce que vous pouvez évaluer, automatiser ou gouverner. Ignorez les annonces qui ne changent aucune décision dont vous êtes responsable.
Raisonnement à l’inférence
Plus de calcul au moment de la réponse, modèles vérificateurs, tentatives parallèles et auto-cohérence améliorent les tâches difficiles — au prix de la latence et des tokens.
Surveillez le gain d’exactitude par seconde et par dollar supplémentaires.Mémoire et compétences des agents
L’état persistant, les fichiers de compétence réutilisables et l’évaluation longue durée transforment les assistants en travailleurs maintenables.
Surveillez si la mémoire est inspectable, corrigeable et portable.Multimodal et modèles du monde
Image, audio, vidéo et environnements interactifs convergent ; génération et perception échouent différemment.
Surveillez provenance, consentement et capacité à vérifier les médias synthétiques.Petits modèles et embarqué
Distillation, quantification et meilleures architectures apportent des capacités utiles aux laptops, téléphones et classes hors ligne.
Surveillez la qualité dans votre langue, pas seulement le nombre de paramètres.Provenance et filigrane
Signaux intégrés et certificats signés rendent l’origine plus lisible, mais la détection reste partielle et peut être retirée.
Surveillez l’interopérabilité et la survie du signal aux workflows réels.Science de l’évaluation
Les benchmarks saturent ; la frontière est l’évaluation par tâche, les tests adverses, la calibration humaine et la télémétrie de production.
Vérifiez qu’une affirmation vient avec une évaluation reproductible, pas un rang de classement.Transfert de compétences humaines
Les systèmes les plus précieux encodent le jugement expert, les exceptions et l’escalade — pas seulement des instructions génériques.
Surveillez la qualité du fichier de compétence et du jeu de référence.IA multilingue et souveraine
L’arabe, le français, la darija et les contextes à faibles ressources exigent données, évaluation et institutions locales.
Surveillez qui possède les données, le modèle et les preuves.Pouls des capacités en direct
Des signaux, pas un guide d’achat.
L’activité des dépôts et la recherche sont des signaux. Utilisez-les pour découvrir des capacités ; vérifiez maturité, licence, sécurité et adéquation avant d’adopter.
Synchronisation…
Chargement de l’écosystème…
Nouveaux dépôts IA qui gagnent en traction
Tendances GitHub →Chargement…
↗
Recherche de pointe, sans le battage
Classement automatique depuis Semantic Scholar et les derniers préprints arXiv. Lisez la méthode, l’évaluation et les limites — pas seulement le résumé.
Chargement des articles…
Derniers préprints arXiv
Parcourir cs.AI →Chargement…
Sources primaires
Lisez la source, pas le résumé.
Ces liens soutiennent le cursus et les affirmations les plus susceptibles de changer. Vérifiez les dates et la loi locale avant de les appliquer.
StandardAgent Skills
Format ouvert pour SKILL.md, divulgation progressive et procédures portables.
↗ProtocoleModel Context ProtocolStandard ouvert pour connecter les agents aux données, outils et workflows.
↗RechercheAide Gemini NotebookChat ancré dans les sources, citations, aperçus audio/vidéo et limites.
↗ProvenanceGoogle SynthIDFiligrane imperceptible pour les contenus générés et ses limites.
↗ProvenanceC2PAStandard technique ouvert pour l’origine et l’historique des modifications.
↗ÉthiqueUNESCO Éthique de l’IADroits humains, supervision, transparence, équité et durabilité.
↗ÉducationCadre de compétences IA UNESCO pour les enseignants15 compétences en cinq dimensions et trois niveaux de progression.
↗RisqueNIST AI RMFGouverner, cartographier, mesurer et gérer le risque ; profil IA générative.
↗RéglementationEU AI ActNiveaux de risque, transparence et calendrier de mise en œuvre.
↗PreuvesStanford AI IndexBase annuelle sur les capacités, l’adoption, les coûts et les politiques.
↗Sources vérifiées le 21 octobre 2026. Les noms de produits et liens sont des exemples ; les principes, méthodes et standards d’évaluation sont le contenu durable.
Les questions que l’on nous pose vraiment
Faut-il savoir coder pour commencer ?
Non. Le niveau 1 s’adresse à toute personne qui utilise l’IA via le chat, des documents ou des outils bureautiques. Le code commence au niveau 3, après avoir compris contexte, preuve et évaluation.
Peut-on faire tourner une IA utile en local ?
Oui. De petits modèles quantifiés tournent avec 8 à 16 Go de RAM pour résumer, extraire et tutorer. Un GPU aide pour les modèles plus grands, un contexte plus long et une itération plus rapide. Évaluez sur votre langue et vos tâches.
Un carnet ancré dans les sources est-il toujours fiable ?
Non. Il est fiable relativement aux sources que vous fournissez. Vérifiez l’exactitude des citations, la qualité des sources, le contexte manquant et les conflits d’intérêts. Il ne choisit pas vos critères d’inclusion.
Un filigrane prouve-t-il que le contenu est vrai ?
Non. Un filigrane ou un certificat de contenu est une preuve d’origine et de modifications, pas de vérité. L’absence de marque ne prouve pas une origine humaine. Utilisez une chaîne de preuves et un droit de réponse.
Qu’est-ce que SKILL.md ?
Un fichier portable qui package une procédure pour un agent : métadonnées, instructions, exemples, références et parfois scripts. Les agents le chargent seulement si c’est pertinent. Traitez-le comme un logiciel : relisez, versionnez, testez et limitez les permissions.
Comment transférer l’expertise dans une compétence ?
Sélectionnez une tâche bornée, observez l’expert, capturez les indices tacites et les exceptions, structurez le jugement, encodez-le en SKILL.md, puis évaluez sur un jeu de référence et maintenez un propriétaire, une version et une date de revue.
Comment sécuriser un agent ?
Moindre privilège, sandbox, approbations pour les actions irréversibles, logs, idempotence, coupe-circuit et revue de la mémoire. Cassez le triangle d’exfiltration : données privées, contenu non fiable, canal sortant.
Cette page cite-t-elle des produits ?
Seulement comme exemples. Les produits changent ou disparaissent. La page est organisée autour des capacités, de l’évaluation et de la gouvernance pour transférer la connaissance à l’outil qui existera l’an prochain.
Continuer
Construisez quelque chose d’utile.
Puis mesurez-le.
La meilleure façon d’apprendre l’IA est de livrer un petit système évalué qui résout un problème réel pour de vraies personnes — et de savoir quand s’arrêter.