1- Un peu d’histoire …
… permet de comprendre où nous en sommes et favorise une meilleure conception de l’intelligence artificielle, de l’IA.
Je me suis appuyée sur les informations suivantes pour rédiger cet abrégé de l’histoire de l’IA :
- Intelligence artificielle : histoire et prospectives avec le sociologue Dominique Cardon, une conférence disponible sur YouTube [i]
- Histoire de l’intelligence artificielle du Conseil de l’Europe [ii]
- L’histoire de l’IA [iii], de Mohamad Dia, un texte du dossier that’sAI de l’EPFL Extension School et l’ Ecole Polytechnique Fédérale de Lausanne (EPFL)
Sans porter le nom d’intelligence artificielle, le concept trouve sa source dans le développement de la cybernétique, cette science carrefour imaginée par Norbert Wiener en 1948. La cybernétique est une science multidisciplinaire mêlant psychologie, sociologie, économie, automatique et électronique.
Georges Boulanger, Président de l’Association Internationale de Cybernétique prophétise que ce nouveau champ saura « définir l’intelligence et la mesurer, expliquerle fonctionnement du cerveau et construire des machines à penser » [iv].
L’idée d’une machine à penser, d’une intelligence artificielle était lancée.
On attribue à John McCarthy [v] du Massachusetts Institute of Technology (MIT) en 1955 l’usage de ce terme pour identifier ce que Marvin Minsky de l’Université Carnegie-Mellon décrit comme … la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique.
La conférence de Dartmouth (Dartmouth Summer Research Project on Artificial Intelligence) est un atelier scientifique organisé durant l'été 1956, qui est considéré comme l'acte de naissance de l'intelligence artificielle en tant que domaine de recherche autonome. Wikipédia
Le développement de la science de l’intelligence artificielle est un excellent exemple du parcours complexe des avancées scientifiques. Aux moments charnières du développement d’une nouvelle science des rencontres, des regroupements de chercheurs ont lieu. Des philosophies, des conceptions différentes du domaine apparaissent. À l’intérieur du projet scientifique de l’IA, deux conceptions s’affrontent : l’IA symbolique et le connexionnisme.
Deux laboratoires du Stanford Research Institute (SRI), le Stanford Artificial Intelligence Lab (SAIL) créé en 1959 sous la direction de John McCarthy et le Augmentation Research Center (ARC) de 1960 dirigé par Doug Engelbart centrent leurs recherches sur ces deux visions complètement différentes de l’intelligence artificielle.
Des machines qui pensent
L’IA symbolique de John McCarthy ambitionne d’imiter les capacités cognitives de l’être humain, à reproduire ses capacités de raisonnement, à rendre les machines intelligentes, égales à l’humain.
La machine, qu’on représente souvent comme un robot humanoïde dispose d’une capacité de raisonnement, de prise de décision, se donne des objectifs et serait autonome. C’est en observant les comportements des vivants, en tentant de les reproduire en s’appuyant sur un ensemble de règles que John McCarthy cherche à créer des machines humaines.
L’IA symbolique …
… repose sur des règles définies explicitement par le programmeur. Ces règles sont intégrées aux machines pour les guider dans leurs prévisions. Les machines n’improvisent pas. Elles agissent en fonction des instructions reçues [vi].
Cette conception de l’IA est très présente dans la représentation populaire de l’intelligence artificielle et tout l’imaginaire qui y est associé, le robot humanoïde qui est plus intelligent que nous, nous domine et dont nous serions les animaux de compagnie. John McCarthy a été le conseiller scientifique de Stanley Kubrick pour le film 2001, l’Odyssée de l’espace.
À l’image du cerveau
À l’inverse, l’IA de Doug Engelbart croit qu’il faut comprendre la structure du cerveau.
Il a pour but d’utiliser le pouvoir des machines pour augmenter l’intelligence humaine, rendre notre environnement plus Intelligible grâce à l’informatique. Les technologies informatiques sont des outils qui permettent d’augmenter le potentiel de l’être humain, selon lui. Doug Engelbart du Augmentation Research Center (ARC), est un pionnier de l’informatique, un visionnaire.
Il est l’inventeur de la souris, réfléchit au développement de l’interface homme-machine, a développé le système hyper-texte et les réseaux informatiques. L’intelligence artificielle que l’on connaît présentement est celle préconisée par Engelbart, c’est l’IA connexionniste.
La science de l’IA s’est développée selon une suite de printemps et d’hivers. Après l’enthousiasme des années ’50 et ’60 où la technologie était pleine de promesses, les fonds de recherche en IA se sont évanouies quand les promesses n’ont pas été tenues. L’intelligence artificielle a connu son premier hiver. Puis, l’intérêt s’est éveillé à nouveau dans les années ’80 avec le développement des systèmes experts suite à l’avènement des premiers microprocesseurs. Cette intelligence artificielle, le système expert, est conçue pour imiter le savoir-faire d’un expert humain. En exploitant une base de connaissances spécifiques à un domaine le système expert répond à des questions, en effectuant un raisonnement à partir de faits et de règles connus. C’est l’approche symbolique de l’intelligence artificielle. Ici, encore l’enthousiasme fut de courte durée. C’est le second hiver et le terme « intelligence artificielle » était presque devenu tabou au sein des centres de recherche.
Puis, c’est la renaissance, un nouveau printemps autour des années 2010. Trois facteurs ont déterminé ce nouvel essor. L’augmentation de la puissance de calcul des ordinateurs ont permis de reprendre l’idée de 1943 de coder un réseau de neurones à l’image de ceux du cerveau humain ce qu’avait tenté de faire Frank Rosenblatt en inventant en 1957 le Perceptron [vii], un algorithme d'apprentissage supervisé, un système de classification de données.
C’est un complet changement de paradigme par rapport aux systèmes experts et à l’approche symbolique. Compte-tenu de la colossale puissance de calcul des ordinateurs modernes ainsi que l’immense quantité de données générées par nos usages généralisés de systèmes informatiques Geoffrey Hinton, Yoshua Bengio et Yann LeCun ont décidé d’approcher le problème selon une vision connexionnisme. L’approche est devenue inductive. Il ne s’agit plus de coder les règles mais de laisser l’ordinateur les découvrir à partir de l’analyse d’une grande quantité de données (big data).
Cette IA étudie le monde à partir de nos données, des informations qui émanent de nous. C’est une intelligence perceptive.
Yann LeCun explique que ces réseaux de neurones ne prétendent pas être une copie du cerveau humain tout comme les ailes des avions ne sont pas des copies des ailes des oiseaux. Alors, de quoi s’agit-il ? Ce sont les découvertes neurologiques du fonctionnement du cerveau humain au milieu du XXème siècle qui ont favorisé le développement de l’idée d’une intelligence artificielle de type connexionniste.
Le connexionnisme en IA reproduit de manière très simpliste le schéma de fonctionnement du cerveau humain en se basant sur l’architecture de neurones (unités) interconnectés (réseau) par des synapses (connecteurs). C’est ce que l’on appellera un réseau de neurones « formels » élémentaires interconnectés entre eux. Le terme de neurone formel renvoie à une représentation mathématique et informatique du neurone biologique. Concrètement, il s’agit d’un réseau de neurones connectés virtuellement où chaque neurone ou unité reçoit de l’information entrante et émet de l’information sortante [viii].
En informatique, un neurone formel est constitué de processeurs simples qui fonctionnent en parallèle selon diverses architectures et sont fortement connectés pour former des réseaux, à l’image des réseaux de neurones biologiques, d’où le mot connexionisme pour désigner cette forme d’IA.
… l’ordinateur sert à faire fonctionner les modèles construits par les mathématiciens à partir des observations et des réflexions fournies par les physiologistes. Par exemple, une cellule nerveuse est analysée en détail, et son fonctionnement est transcrit en équations. Celles-ci rendent compte de la forme de la cellule, de la circulation des signaux électriques, de l'échange des signaux avec d'autres cellules nerveuses. Ces dizaines d'équations sont simulées par un ordinateur. Ce modèle mathématique du neurone, que l'on appelle le « neurone formel », est dupliqué pour constituer un réseau… les multiples neurones formels ainsi créés sont reliés entre eux selon un schéma choisi … que l'on appelle un « réseau de neurones formels », ou un « réseau neuronal ». La dernière étape consistera à doter le réseau neuronal d’une capacité d’apprentissage [ix].
À la différence de la programmation, les algorithmes de la science de l’intelligence artificielle définissent leurs propres recettes mathématiques pour exposer une solution à un problème donné, c’est l’apprentissage automatique, le Machine learning. Les racines de l’apprentissage automatique sont les statistiques.
Elles permettent d’extraire des connaissances à partir de données.
Les différents types d’apprentissage automatique sont :
Supervisé.
Dans l’apprentissage supervisé, c’est l’être humain qui apprend à la machine. On utilise un certain nombre d’informations que l’on étiquette et on entraîne la machine à identifier correctement les exemples d’entraînement. On oriente l’algorithme vers les bonnes réponses afin qu’il puisse les produire de manière indépendante à partir de nouvelles données. Puis on utilise ces acquis pour faire des prédications. Cela ne veut pas dire que l'IA saura généraliser ces prédictions.
Non-supervisé ou apprendre seul.
AlphaGo a utilisé l’apprentissage non-supervisé pour réussir à gagner contre le champion mondial du jeu de Go. On a donné les règles du jeu à l’ordinateur mais il n’a jamais appris à jouer. Il jouera uniquement contre lui -même. L’ordinateur a atteint le niveau débutant en trois heures. Suite à des milliers et des milliers de parties, Il a même créé des coups jusqu’à maintenant inconnus des joueurs les plus expérimentés. L’ordinateur est devenu créatif.
Renforcement.
Ce type d’apprentissage est celui qui est utilisé pour le développement des voitures autonomes par exemple. L’ordinateur apprend à partir d’expériences successives, par essais-erreurs L’ordinateur sera gratifié selon l’action choisie.
Quant à l’apprentissage profond [x] (deep learning), il s’agit d’une méthode d’apprentissage automatique qui exploite des couches cachées de neurones artificiels, des données à plusieurs niveaux de détails et a recours à des séries de calculs complexes.
Ces définitions offrent une image simpliste de la réalité de l’apprentissage automatique. Ces sous-domaines de l’apprentissage automatique seront adoptés en fonction du problème à traiter et parfois deux d’entre elles seront employées simultanément.
C’est quoi ces ALGORITHMES dont on parle tant ?
Les algorithmes d’apprentissage automatique sont particuliers. Plutôt qu’être des instructions particulières sur la tâche à effectuer utilisées en programmation, ils évoluent et apprennent à partir de données. Il existe plusieurs catégories d’algorithmes en apprentissage machine. Les algorithmes s’expriment en langage mathématique mais ils sont créés par des humains et peuvent présenter des failles, être biaisés. De plus il faut s’assurer que les données d’entraînement de l’algorithme ne soient pas biaisées. Les algorithmes sont utilisés pour faire des prédictions et analyser des données.
Et les statistiques …
Tous savent que l’ordinateur est une machine à calculer sophistiquée. Les microprocesseurs, les fameuses puces, peuvent accomplir des milliards de calculs à la seconde.
La statistique est la discipline qui étudie des phénomènes à travers la collecte de données, leur traitement, leur analyse, l'interprétation des résultats et leur présentation afin de rendre ces données compréhensibles par tous. Wikipédia
Or l’ordinateur a la capacité de traiter des milliards de données et y trouver du sens, ce dont est incapable le cerveau de l’être humain.
Les représentations actuelles de la société sont venues de la statistique.
La statistique met ensemble des individus, des biens, des idées, des comportements, etc. La statistique établit des régularités, des liens entre certains types d’individus catégorisés selon divers critères, âge, sexe, origine ethnique ou autre et certains types de pratiques, mange au restaurant, va au cinéma, parle français, fume, a des enfants, etc. Nous nous définissons selon des descripteurs fabriqués par les statistiques. Les statistiques comparent des catégories. Les principales disciplines des sciences humaines, sociologie, criminologie, démographie, économie, marketing jettent un regard sur la société en utilisant des catégories et placent l’individu dans une case.
L’IA dit qu’on pourrait représenter la société avec singularité.
Elle cherche à répondre au besoin individuel de la personne et ne classe plus l’individu comme membre d’une catégorie. Ce qu’elle propose de nous recommander ne dépend pas de la catégorie établie par les systèmes de statistique du XIXème siècle mais d’une analyse fine de notre personnalité à partir de nos post, de nos clics, de nos choix. L’IA nous fait véritablement sortir de la case car dans nos sociétés individualistes nous ne sommes pas constamment la même personne.
Les capteurs numériques analysent l’individu par ses traces, ils capturent notre personnalité par notre comportement et non par l’image que nous projetons.
2 - Pour une vue d’ensemble du domaine
Je conseille de consulter le dossier that’sAI[xi] conçu par l'EPFL Extension School
L'EPFL Extension School enseigne les compétences digitales appliquées, en ligne, convaincus qu’il est nécessaire que chacun acquière des connaissances et des compétences numériques pour être en mesure de tirer le meilleur des opportunités du monde actuel.
EPFL Extension School présente une exploration fort complète du monde fascinant de l’intelligence artificielle:
Les fondamentaux de l’IA
Qu’est-ce que l’IA
L’IA est tout autour de nous
Un coup d’œil en coulisse
L’IA peut apprendre
L’histoire de l’IA
IA- Deux lettre aux multiples sens
IA - Plus qu’un simple programme
Les éléments au cœur de L’IA
Des données si différentes
Des données de partout
L’IA et nous
L’IA et la philosophie
Qu’est-ce qu’indus rend uniques en tant qu’êtres humains
L’IA et l’éthique
L’IA et la société
Le rôle de l’IA dans votre quotidien
L’IA dans le sport
Être parent à l’ère de l’IA
L’IA et les systèmes financiers
L’IA et les arts visuels
Les concepts de l’IA sous la loupe
Apprentissage automatique
Différents types d’apprentissages
Classification automatique
Régression
Partitionnement de données
Réduction de la dimensionnalité
Apprentissage par renforcement
Réseau de neurones artificiels
Apprentissage profond
Traitement automatique du langage naturel
Vision artificielle
3 - Faut-il avoir peur de l’intelligence artificielle [xii] ?
L’IA est plurielle … L’expression « intelligence artificielle » décrit une discipline scientifique…
Il n’existe pas une intelligence artificielle, mais mais plutôt des logiciels, machines et robots possédant chacun des habilités démontrant une forme d’intelligence…dans leur immense majorité, les “intelligences artificielles” d’aujourd’hui (et sans doute, dans une large mesure, de demain) n’ont d’intelligence que dans des tâches très spécifiques, compartimentées et limitées. …ces logiciels et appareils intelligents n’ont d’autre finalité que nous simplifier la vie.
4- L’éducation et l’IA
Le lien entre l’IA et l’éducation s’établit dans trois domaines : apprendre avec l’IA (p. ex. en utilisant des outils d’IA dans les salles de classe), apprendre sur l’IA (ses technologies et ses techniques) et se préparer pour l’IA (p. ex. permettre à tous les citoyens de mieux comprendre l’impact potentiel de l’IA sur la vie humaine) [xiii]
Apprendre avec l’IA
…des solutions spécifiquement conçues pour l’éducation, dont le développement est traditionnellement structuré selon trois grands axes : les modèles pédagogiques, qui décrivent les manières d’enseigner, les modèles de l’apprenant, qui décrivent les modes d’apprentissage, les modèles de domaines à enseigner ; ces dernières conservent un certain nombre de spécificités : les systèmes experts y jouent un rôle au moins aussi important que les applications d’apprentissage automatique et profond, et l’obtention de données qualitatives plutôt que massives est primordiale.
Pour compléter consulter le rapport :
#Leplusimportant, METTRE L’IA AU SERVICE DES ENSEIGNANTS POUR ASSURER L’INCLUSION ET LE DÉVELOPPEMENT DES CAPACITÉS DE TOUS LES ÉLÈVES [xiv] une publication d’un collectif
Apprendre sur l’IA
- Explication des concepts de base de l’IA
- Description des systèmes qui utilisent ces applications : mobiles, robots, véhicules autonomes, chatbots, agents vocaux
- Développer des formations aux enjeux de l’IA, dont des ressources d’auto-formation
Se préparer pour l’IA
- Permettre aux enseignants.es de formuler la manière dont ils imaginent et souhaitent voir évoluer leurs métiers et leurs carrières face à l’IA et d’exprimer la manière dont ils souhaitent contribuer à ces évolutions
- C’est ce que propose ce Congrès !
L’analyse des apprentissages
Je me suis particulièrement intéressé à cette forme d’usage de l’IA en éducation. Vous pouvez consulter l’article Learning analytics : Ça me chicote[xv] que j’ai publié sur Educavox en mai dernier.
Quelques documents à lire :
- Le Conseil supérieur de l’éducation du Québec : L’intelligence artificielle en éducation : un aperçu des possibilités et des enjeux [xvi]. … la multiplication des recherches en apprentissage profond et la meilleure compréhension des algorithmes qui s’observent actuellement font [...] entrevoir la possibilité de l’accroissement de l’autonomie des machines au cours des prochaines décennies, soit une tendance facilitée également par la disponibilité émergente de données massives et à l’accélération des calculs des processeurs »
Cette éventualité nécessite une large réflexion – collective et pluraliste – pour que soient anticipées d’éventuelles dérives de même qu’une sensibilisation, voire une éducation, visant à prévenir ces dérives. L’objectif est d’adopter des comportements permettant d’induire un cercle vertueux et non de laisser l’inverse se produire. Mieux vaut en effet anticiper l’avenir plutôt que de le subir.
- Adam L.-Desjardins & Amy Tran, L’intelligence artificielle en éducation, École branchée [xvii]
- Olivier Ezratty , Les applications de l’intelligence artificielle dans l’éducation [xviii]
- Carollanne Tremblay, Quelques applications concrètes de l’intelligence artificielle en éducation [xix]
- Unesco L’IA et l’éducation Guide pour les décideurs politiques [xx]
https://unesdoc.unesco.org/ark:/48223/pf0000380006
- Karim Elouardani, Intelligence Artificielle dans l’éducation : la nécessaire transformation des enseignants [xxi]
- L’IA en éducation et en capacitation : acteur.trice.s, pratiques et tendances au Colloque du CRIFPE [xxii]
5 - Pour des citoyens éthiques à l’ère de l’IA
-
S’informer de la Déclaration de Montréal pour une IA responsable
https://www.declarationmontreal-iaresponsable.com/ et comprendre les principes de cette déclaration :
Le développement et l’utilisation des systèmes d’intelligence artificielle (SIA) doivent permettre d’accroître le bien-être de tous les êtres sensibles.
Les SIA doivent être développés et utilisés dans le respect de l’autonomie des personnes et dans le but d’accroître le contrôle des individus sur leur vie et leur environnement.
Protection de la vie privée
Le développement de SIA doit être compatible avec le maintien de liens de solidarité entre les personnes et les générations.
Participation démocratique
Le développement et l’utilisation des SIA doivent contribuer à la réalisation d’une société juste et équitable.
Principe d’inclusion dans la diversité
Toutes les personnes impliquées dans le développement des SIA doivent faire preuve de prudence en anticipant autant que possible les conséquences néfastes de l’utilisation des SIA et en prenant des mesures appropriées pour les éviter.
Principe de responsabilité
Le développement et l’utilisation de SIA doivent se réaliser de manière à assurer une soutenabilité écologique forte de la planète.
-
Citoyens éthiques.
Je ne prends pas partie. J’ai mes idées personnelles que j’ai décidé de ne pas partager. Pour devenir des citoyens éthiques à l’ère de l’IA, chacun d’entre nous a le devoir de :
S’informer,
Analyser ses propres biais,
Recueillir des données (des informations),
Faire du data analysis, c’est à dire nettoyer ces données,
Évaluer les informations recueillies et en évacuer le plus de biais possibles
Analyser les informations recueillies
Tirer ses propres conclusions.
Il n’y a pas de définition de l’intelligence humaine. On considère l’intelligence humaine modulaire. Mais ce que les chercheurs en intelligence artificielle tentent de traquer est ce que l’on nomme bêtement « le bon sens » (sens commun). Ce ne sont pas des règles mais un sens pratique qui guide la vie au quotidien.
Ces machines ont des capacités fantastiques mais sont par contre encore très limitées.
Conclusion
- Au départ l’IA est caractérisée par deux philosophies différentes, deux concepts diamétralement opposés.
- Les progrès du développement de l’IA sont étroitement liés aux développements technologiques, des meilleures machines, des machines avec une plus grande capacité de calcul.
- L’IA dépasse l’être humain dans des domaines spécifiques grâce aux phénoménales capacités de calcul de ses processeurs qui permettent l’analyse de colossales quantités d’informations.
- L’IA connexionniste qui prévaut présentement travaille à partir d’une phénoménale quantité de données disponibles grâce à l’usage généralisé d’internet et de toutes ces données qui y circulent et sont emmagasinés sur de gigantesques serveurs qui consomment d’effroyable quantité d’électricité. Or, avec la crise actuelle de l’électricité en Europe, on peut se demander pour combien de temps encore on maintiendra ces structures.
- Malgré son nom, l’IA n’est pas intelligente. C’est une application informatique qui utilise les statistiques pour analyser d’immenses quantités de données afin d’établir des hypothèses et prédire des évènements. L’IA n’est pas l’oracle de la Pythie, la valeur de ses prédictions est relative aux questions qui guident ses recherches et à la valeur des données dont on la nourrit.
- Nos données personnelles n’ont pas de valeur. Ce qui fait la valeur des données c’est l’agrégateur de centaines de millions de données. Mais les données utilisées par l’agrégateur de l’IA sont aussi les nôtres.
Quelle trace lui offre-t-on ? …
[1] Thème du Congrès
https://congres.aestq.org/fr/theme
[i] Dominique Cardon, Intelligence artificielle : histoire et prospectives
https://www.youtube.com/watch?v=oCzqMkEaKh8
Merci à Bruno Devauchelle d’avoir partagé cette information
[ii] Histoire de l’intelligence artificielle du Conseil de l’Europe
https://www.coe.int/fr/web/artificial-intelligence/history-of-ai
[iii] Mohamad Dia, Histoire de l’IA
https://www.thats-ai.org/fr-CH/units/l-histoire-de-l-ia
[iv] Irénée Régnauld, L’intelligence artificielle réactualise-t-elle le rêve cybernétique de gouverner le monde ?
https://maisouvaleweb.fr/projet-cybernetique-de-lintelligence-artificielle/
[v] Histoire CIGREF, Père de l’intelligence artificielle …John McCarthy https://www.cigref.fr/archives/histoire-cigref/blog/pere-d-intelligence-artificielle-john-mccarthy/
[vi] Antoine Crochet-Damais, Intelligence artificielle symbolique : définition et cas d'usage
https://www.journaldunet.fr/web-tech/guide-de-l-intelligence-artificielle/1501847-intelligence-artificielle-symbolique-definition-et-cas-d-usage/#:~:text=IA%20neuro%2Dsymbolique%20%3F-,L'IA%20symbolique%2C%20c’est%20quoi%20%3Fdans%20ses%20prises%20de%20d%C3%A9cision.
[vii] Antoine Crochet-Damais, Perceptron : retour sur l'ancêtre du machine learning
https://www.journaldunet.fr/web-tech/guide-de-l-intelligence-artificielle/1501903-perceptron/
[viii] Sylvain Longhais, Les techniques algorithmiques de l’IA | L’approche connexionniste
https://www.ajcact.org/2021/01/05/les-techniques-algorithmiques-de-lia-lapproche-connexionniste/
[ix] Larousse, DU SYSTÈME NERVEUX HUMAIN AUX RÉSEAUX DE NEURONES ARTIFICIEL
https://www.larousse.fr/encyclopedie/divers/neurone_formel/187288
[x] Wikipedia, Apprentissage profond
https://fr.wikipedia.org/wiki/Apprentissage_profond
[xi] EPFL Extension School, that’sAI
[xii] Usbek&Rica Faut-il avoir peur de l'intelligence artificielle ?
https://usbeketrica.com/fr/article/faut-il-avoir-peur-de-l-intelligence-artificielle
[xiii] UNESCO, L’intelligence artificielle dans l’éducation
https://fr.unesco.org/themes/tic-education/intelligence-artificielle
[xiv] #Leplusimportant, ETTRE L’IA AU SERVICE
DES ENSEIGNANTS POUR ASSURER L’INCLUSION ET LE DÉVELOPPEMENT DES CAPACITÉS DE TOUS LES ÉLÈVES
https://leplusimportant.org/documents/2021/03/rapport-ia-et-ecole-inclusive.pdf/
[xv] Ninon Louise LePage Learning analytics : Ça me chicote
https://www.educavox.fr/innovation/recherche/learning-analytics-ca-me-chicote
[xvi] Conseil supérieur de l’éducation L’intelligence artificielle en éducation : un aperçu des possibilités et des enjeux
[xvii] Adam L.-Desjardins & Amy Tran, L’intelligence artificielle en éducation
https://ecolebranchee.com/dossier-intelligence-artificielle-education/
[xviii] Olivier Ezratty , Les applications de l’intelligence artificielle dans l’éducation
[xix] Carollanne Tremblay, Quelques applications concrètes de l’intelligence artificielle en éducation
https://www.optania.com/blog/applications-concretes-intelligence-artificielle-education?lg=fr
[xx] Unesco L’IA et l’éducation Guide pour les décideurs politiques
https://unesdoc.unesco.org/ark:/48223/pf0000380006
[xxi] Karim Edouardi, Intelligence Artificielle dans l’éducation : la nécessaire transformation des enseignants
[xxii] L’IA en éducation et en capacitation : acteur.trice.s, pratiques et tendances au Colloque du CRIFPE
Dernière modification le vendredi, 24 mai 2024
