2026-2027
Avenue Victor Maistriau 8a
7000 Mons
Fiche ects de l'unité d'enseignement #3717 intitulée :
Intelligences artificielles
Bachelier en Electronique orientation Electronique appliquée / Bloc 1
Bachelier en Biotechnique / Bloc 1
Informations
Responsable d'UE : Jonathan LECHIEN
Bloc : EOA1, BIO1
Période : 1er quadrimestre
Durée : 10 h
Crédits : 1 ects
UE Prérequises : aucune
UE Corequises : aucune
Activité d'apprentissage (AA)
- Intelligences artificielles : 10 h, Jonathan LECHIEN
Connaissances et compétences préalables
aucune
Contribution aux objectifs du référentiel de compétences de l'ARES
- Communiquer et informer
- Choisir et utiliser les moyens d’informations et de communication adaptés
- Mener une discussion, argumenter et convaincre de manière constructive
- Utiliser le vocabulaire adéquat
- Utiliser une langue étrangère
- Collaborer à la conception, à l’amélioration et au développement de projets techniques
- Elaborer une méthodologie de travail
- Analyser une situation donnée sous ses aspects techniques et scientifiques
- Rechercher et utiliser les ressources adéquates
- S’engager dans une démarche de développement professionnel
- Prendre en compte les aspects éthiques et déontologiques
- S’informer et s’inscrire dans une démarche de formation permanente
- Développer une pensée critique
- Travailler tant en autonomie qu’en équipe dans le respect de la structure de l’environnement professionnel
- S’inscrire dans une démarche de respect des réglementations
- Respecter les normes, les procédures et les codes de bonne pratique
Acquis d'apprentissage spécifiques
- Définir les notions fondamentales liées à l’intelligence artificielle, notamment IA, machine learning, deep learning, IA générative, LLM, token, Transformer, attention, hallucination et fenêtre de contexte.
- Expliquer, avec un vocabulaire accessible, le fonctionnement général d’un modèle de langage, en distinguant prédiction statistique, compréhension humaine, apprentissage supervisé, tokenisation et génération de réponse.
- Identifier les limites structurelles des modèles génératifs, notamment les hallucinations, le knowledge cutoff, les biais, l’absence de raisonnement garanti et la dépendance au contexte fourni.
- Utiliser un outil d’IA générative de manière méthodique, en formulant une demande claire, contextualisée et structurée, adaptée à la tâche attendue.
- Appliquer les principes de base du prompt engineering, en mobilisant le rôle, le contexte, la tâche, le format attendu, les contraintes et l’itération.
- Vérifier de manière critique une réponse produite par une IA, en contrôlant les faits, les sources, le code, les références, les raisonnements et les résultats sensibles.
- Identifier les principaux risques liés à l’usage professionnel de l’IA, notamment la fuite de données, la prompt injection, l’excessive agency, les biais algorithmiques et la responsabilité humaine.
- Appliquer les réflexes de base liés au RGPD, à l’AI Act et à la sécurité, en reconnaissant les données à ne pas transmettre à un outil public et les situations nécessitant une vigilance juridique ou technique.
- Évaluer l’impact environnemental et organisationnel d’un usage de l’IA, en tenant compte du choix du modèle, du cloud/local, de l’inférence, de la proportionnalité et des coûts associés.
- Expliquer l’évolution des métiers face à l’IA, en distinguant les tâches automatisables des compétences qui gagnent en valeur : jugement, vérification, supervision, conception, sécurité et responsabilité.
Contenu de l'AA
Le module introduit les principes fondamentaux de l’intelligence artificielle générative et de ses usages professionnels. Il aborde la distinction entre IA, machine learning, deep learning et IA générative, ainsi que le fonctionnement général des modèles de langage : tokenisation, Transformer, mécanisme d’attention, prédiction statistique et limites structurelles.
Le cours traite ensuite des usages de l’IA dans le monde professionnel, notamment dans le développement informatique. Une attention particulière est portée au prompt engineering, à la formulation de demandes structurées, à l’itération et à la vérification critique des réponses produites.
Le module couvre également les enjeux professionnels liés à l’usage de l’IA : hallucinations, biais algorithmiques, protection des données, RGPD, AI Act, risques de sécurité, prompt injection, responsabilité humaine, impact environnemental, sobriété numérique, choix entre modèles cloud et locaux, et évolution des métiers face aux outils d’IA.
Répartition des heures
10 h de théorie
Méthodes d'enseignement
Cours magistral, approche interactive
Langues d'enseignement
Français
Supports
Copies de présentations, notes de cours
Ressources bibliographiques
Ressources principales
- Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4e éd.). Pearson.
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. https://www.deeplearningbook.org/
- Vaswani, A., et al. (2017). Attention Is All You Need. NeurIPS. https://arxiv.org/abs/1706.03762
- OpenAI. (2024-2026). Documentation OpenAI. https://platform.openai.com/docs
- Anthropic. (2024-2026). Claude Documentation. https://docs.anthropic.com/
- Google DeepMind. (2024-2026). Gemini / AI research resources. https://deepmind.google/
IA générative, prompt et usages
- OpenAI. Prompt engineering guide. https://platform.openai.com/docs/guides/prompt-engineering
- Anthropic. Prompt engineering overview. https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
- Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio.
- Stanford HAI. AI Index Report. https://hai.stanford.edu/ai-index
IA, code et productivité
- GitHub. GitHub Copilot documentation. https://docs.github.com/copilot
- Microsoft Research. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. https://www.microsoft.com/en-us/research/publication/the-impact-of-ai-on-developer-productivity-evidence-from-github-copilot/
- METR. (2025). Early-2025 AI Experienced Open-Source Developer Study. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- METR. (2026). We are Changing our Developer Productivity Experiment Design. https://metr.org/blog/2026-02-24-uplift-update/
Sécurité, droit et responsabilité
- OWASP GenAI Security Project. (2026). OWASP GenAI LLM Top 10 2026. https://genai.owasp.org/resource/owasp-genai-llm-top-10-2026/
- European Commission. AI Act - Regulatory framework. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
- CNIL. Intelligence artificielle et RGPD. https://www.cnil.fr/fr/intelligence-artificielle
- NIST. (2023). AI Risk Management Framework. https://www.nist.gov/itl/ai-risk-management-framework
Enjeux sociétaux, emploi et environnement
- Stanford Digital Economy Lab. Brynjolfsson, E., Chandar, B., & Chen, R. (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
- International Energy Agency. (2025). Energy and AI. https://www.iea.org/reports/energy-and-ai
- Epoch AI. AI and compute / energy analyses. https://epoch.ai/
- Our World in Data. Data centers and AI energy use. https://ourworldindata.org/
Ressources pédagogiques complémentaires
- fast.ai. Practical Deep Learning for Coders. https://course.fast.ai/
- DeepLearning.AI. AI and machine learning courses. https://www.deeplearning.ai/
- Hugging Face. NLP Course. https://huggingface.co/learn/nlp-course
- Papers with Code. https://paperswithcode.com/
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français
Modalités d'évaluation :
Travail quotidien