Un outil qui rédige un texte, un modèle qui estime une consommation d’énergie et un système qui classe des images ne répondent pas au même besoin. Pour concevoir une solution utile, il faut d’abord préciser la tâche, les données disponibles et la façon de vérifier le résultat. Cette démarche peut servir de point de départ à un atelier éducatif en Haïti comme dans une autre communauté caribéenne.
Ce qu’un modèle apprend à partir des données
L’apprentissage automatique, ou machine learning, consiste à entraîner un modèle à partir de données pour produire des prédictions ou du contenu. Un modèle représente des relations apprises entre ces données. Dans l’apprentissage supervisé, les exemples comportent une réponse connue : une régression estime une valeur numérique, tandis qu’une classification prédit une catégorie. L’IA générative produit du contenu, par exemple du texte ou des images, à partir de régularités apprises. [1]
Prenons un scénario pédagogique fictif : une équipe souhaite étudier la consommation électrique d’une salle. Estimer les kilowattheures du lendemain serait une tâche de régression. Classer une situation comme « consommation habituelle » ou « consommation inhabituelle » serait une tâche de classification. Rédiger une explication des résultats serait une tâche de génération. L’équipe doit choisir la fonction utile avant de choisir l’outil.
Une automatisation peut suffire
Imaginons maintenant un petit jardin scolaire. Une règle proposée par les élèves déclenche un arrosage lorsque la mesure d’humidité passe sous un seuil fixé à l’avance. Cet exemple illustre une automatisation fondée sur une règle explicite. Pour envisager un apprentissage à partir de données, l’équipe devrait formuler un autre problème : par exemple, estimer les besoins en eau à partir de plusieurs observations. Ajouter le mot « intelligent » au nom du prototype ne permet pas de savoir comment il fonctionne.
Cette distinction aide à préparer un projet. Les élèves peuvent commencer par un schéma du système et une règle simple. Ils décrivent ensuite la limite rencontrée, puis demandent si des données et un modèle apporteraient une amélioration mesurable. Le choix d’une technique découle alors du problème étudié.
Définir une preuve de fonctionnement
Un modèle ne se vérifie pas uniquement avec les exemples qui ont servi à son entraînement. Google distingue les données d’entraînement, les données de validation utilisées pendant le développement et les données de test réservées à l’évaluation finale. Les exemples de test doivent être nouveaux et représenter les situations attendues. [2]
Dans un atelier fictif de classement d’images de matériaux, une démonstration réussie sur quelques photos ne suffirait pas à conclure que le système fonctionne dans toute une école. L’équipe pourrait réserver des images prises avec un autre éclairage ou un autre téléphone, relever les erreurs et comparer les résultats à une méthode simple. Elle présenterait le protocole, les observations et les limites, sans annoncer un taux de réussite avant d’avoir réalisé les essais.
Une question concrète peut guider cette évaluation : le système aide à faire quoi, dans quelles conditions et avec quelles erreurs acceptables ? Dans un projet scolaire, documenter une erreur et expliquer comment la corriger constitue aussi un résultat d’apprentissage.
Vérifier les réponses des outils génératifs
Une réponse fluide peut contenir des erreurs. Le NIST décrit la « confabulation » comme la production d’informations fausses présentées avec assurance ; elle peut aussi prendre la forme de références inventées. Son profil de risques traite également de la confidentialité des données. [3]
Pour préparer une fiche scientifique, une équipe peut demander une première explication à un outil génératif, puis examiner chaque affirmation importante dans une source originale. Une référence doit être ouverte et lue : son titre ou son apparence ne suffit pas. Les noms, coordonnées et évaluations individuelles des élèves peuvent être remplacés par des exemples fictifs lors des exercices.
Si l’outil propose une définition différente de celle du manuel ou de la documentation technique, les élèves peuvent noter la divergence et rechercher ce qui l’explique. L’activité devient alors un exercice de vérification, de lecture et d’argumentation.
Adapter le projet à son environnement
Avant un essai en Haïti ou dans la Caraïbe, l’équipe peut examiner la langue des utilisateurs, l’accès nécessaire à Internet, l’alimentation électrique, les équipements, le coût d’utilisation et la maintenance. Ces points constituent une grille de conception proposée pour l’atelier, et non un diagnostic national.
Un projet portant sur des questions en français et en créole haïtien pourrait, par exemple, prévoir des essais distincts dans chaque langue. Un autre projet pourrait préparer une activité sur papier lorsque l’outil numérique n’est pas disponible. L’objectif serait de rendre les choix techniques explicables aux personnes qui utiliseront la solution.
Apprendre à comprendre, appliquer et créer
Le référentiel de l’UNESCO pour les élèves organise douze compétences autour de quatre dimensions : une approche centrée sur l’humain, l’éthique de l’IA, les techniques et applications, et la conception de systèmes. Il propose trois niveaux de progression : comprendre, appliquer et créer. [4]
Pour un prochain atelier, une équipe peut rédiger une fiche d’une page : le besoin observé, la fonction choisie, les données envisagées, la méthode de test et les limites. Elle peut ensuite expliquer quel rôle reste confié à une personne. Cette fiche permet de discuter du projet avant de construire le prototype.
Le passage à la création commence avec ces décisions : choisir un problème précis, justifier une méthode et montrer comment le résultat sera vérifié.
Pour explorer des parcours de robotique, de programmation et de formation numérique, consulter les programmes de HART’S.
Sources et lectures
[1] Google for Developers. What is Machine Learning?. Mise à jour du 27 janvier 2026. Source consultée le 29 septembre 2026.
[2] Google for Developers. Datasets: Dividing the original dataset. Mise à jour du 3 décembre 2025. Source consultée le 29 septembre 2026.
[3] NIST. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. Juillet 2024. Source consultée le 29 septembre 2026.
[4] UNESCO. AI competency framework for students. Publication 2024 ; page mise à jour le 16 janvier 2026. Source consultée le 29 septembre 2026.
