• Comprendre l’IA : commencer par une réponse à vérifier
    Jun 15 2026
    Imaginons une collaboratrice préparant une note. L’assistant produit un texte fluide, avec une référence séduisante. Elle ouvre la source et ne retrouve pas le passage annoncé. Cette scène est inventée pour la formation ; elle ne décrit aucun cabinet réel. Dans notre exercice, la collaboratrice sépare ce qui vient du document de ce que l’assistant ajoute. Elle vérifie la référence et conserve les incertitudes au lieu de les effacer. Le bon point de départ n’est pas une promesse de remplacement du professionnel, mais une tâche précise et contrôlable. Quel résultat pourriez-vous vérifier indépendamment dans votre prochain essai ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/s1e1-quest-ce-que-ia/ Sources : https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
    Show More Show Less
    1 min
  • Apprendre à partir de quels exemples ?
    Feb 16 2026
    Une équipe fictive veut classer des documents. Elle possède des exemples étiquetés, mais plusieurs catégories se contredisent. Un autre groupe veut découvrir des regroupements sans disposer d’une réponse attendue. Ce ne sont pas les mêmes questions. Pour notre exercice, la réussite sera définie à l’avance, sans annoncer de pourcentage universel. Quel exemple rendrait visible une faiblesse que la démonstration habituelle laisse passer ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/s1e2-familles-ia-apprentissage/ Sources : https://www.deeplearningbook.org/
    Show More Show Less
    1 min
  • Choisir un usage concret avant l’outil
    Feb 16 2026
    Un cabinet fictif hésite entre résumer un dossier, classer des pièces et préparer un courrier. Au lieu d’annoncer un gain, il choisit une seule tâche dont le résultat peut être contrôlé. Quelle tâche pourriez-vous arrêter sans désorganiser le cabinet si le test déçoit ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/s1e3-applications-professionnelles/ Sources : https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
    Show More Show Less
    1 min
  • Une réponse correcte, mais pour quel contexte ?
    Feb 16 2026
    Dans notre scénario fictif, une note répond correctement à une ancienne version d’un contrat. Le lecteur travaille pourtant sur une autre version. Le problème n’est pas seulement une phrase fausse : c’est le mauvais document de référence. Dans l’atelier, demandons à un second lecteur de refaire le contrôle. Dispose-t-il des mêmes pièces ? Peut-il retrouver le passage invoqué ? La question à retenir : sur quoi repose exactement notre conclusion ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/s1e4-limites-responsabilite/ Sources : https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
    Show More Show Less
    1 min
  • L’histoire de l’IA se vérifie dans les travaux originaux
    Feb 16 2026
    En juin 2017, Ashish Vaswani et sept coauteurs déposent Attention Is All You Need. Leur article présente l’architecture Transformer et rapporte des expériences de traduction. Cette référence décrit des travaux précis ; elle ne raconte pas à elle seule toute l’histoire de l’IA. Les formules spectaculaires sont retirées lorsqu’aucune preuve précise ne les soutient. L’intérêt de cette histoire est aussi la collaboration, les essais et les limites. Quelle découverte aimeriez-vous comprendre à partir du travail original plutôt qu’à partir d’une légende ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/special-grands-mathematiciens-ia/ Sources : https://arxiv.org/abs/1706.03762
    Show More Show Less
    1 min
  • Avant d’envoyer le dossier, suivre le trajet des données
    Feb 16 2026
    Une professionnelle fictive retire le nom d’un document, mais laisse une date précise, un lieu et une situation rare. Elle s’apprête à l’envoyer dans un assistant. La question est de savoir si ces détails permettent encore de reconnaître quelqu’un. Demandons une preuve pour chaque réponse : configuration, contrat, journal ou description technique. Un pays, un logo ou une déclaration commerciale ne remplace pas ce dossier. Pouvez-vous expliquer où part chaque donnée avant de cliquer ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/special-secret-professionnel-ia-cloud/ Sources : https://www.cnil.fr/fr/technologies/lanonymisation-de-donnees-personnelles
    Show More Show Less
    1 min
  • Le bon chiffre pour la bonne question
    Feb 16 2026
    Un éditeur fictif annonce une précision de 95 %. Nous ne savons pas encore ce qui a été compté, sur quels documents ni avec quel seuil. Le nombre est une donnée de scénario, pas une mesure d’un produit existant. Notre exercice consiste à dessiner le tableau des résultats et à écrire ce qu’il ne permet pas de conclure. Quel indicateur manque pour décider si le test répond vraiment à votre besoin ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/s2e1-pourquoi-maths-essentielles/ Sources : https://scikit-learn.org/stable/modules/calibration.html
    Show More Show Less
    1 min
  • Similarité entre documents : que mesure vraiment le score ?
    Feb 16 2026
    Deux contrats fictifs traitent du même service. L’un autorise une résiliation, l’autre la refuse. Un outil les rapproche : les mots se ressemblent, mais une négation change la décision. Cet exemple inventé invite à regarder au-delà du classement. Pour notre test, préparons des paires contrastées : même vocabulaire avec un sens différent, puis vocabulaire différent avec un sens proche. La relecture porte sur l’obligation, les exceptions et le contexte. La question utile est : quelles différences importantes le classement laisse-t-il passer ? Texte révisé et audio réenregistré le 29 octobre 2026. Scénarios pédagogiques fictifs ; voix synthétiques. Texte et sources : https://univ-ai.net/podcasts/fr/episodes/s2e2-algebre-lineaire-donnees/ Sources : https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.cosine_similarity.html
    Show More Show Less
    1 min