L'intelligence artificielle au service
des professionnels du BTP
Une étude un peu particulière sur le cancer du sein
En 2015, un scientifique prend 16 novices complets, qui n'ont jamais diagnostiqué le moindre cancer, et décide de leur apprendre à diagnostiquer le cancer du sein à partir de lames comme celle-ci : dire si elles sont malignes ou bénignes.
Normalement, il faut des années de formation pour devenir un vrai anatomopathologiste.
03/07/2026 · 02Une étude un peu particulière sur le cancer du sein
03/07/2026 · 02Une étude un peu particulière sur le cancer du sein
C'étaient des pigeons.
L'oiseau picore un côté de l'écran pour « malin », l'autre pour « bénin » — et reçoit une graine quand il a juste.
Pigeons (Columba livia) as Trainable Observers of Pathology and Radiology Breast Cancer Images — PLOS ONE, 2015 (Richard Levenson).
03/07/2026 · 02Une étude un peu particulière sur le cancer du sein
En agrégeant les votes de tout le groupe — du flock sourcing —, la précision grimpe à 99 %.
Le niveau d'un anatomopathologiste chevronné.
03/07/2026 · 02L'IA, c'est d'abord une définition
L'intelligence artificielle (IA) est l'ensemble des systèmes informatiques capables d'effectuer des tâches typiquement associées à l'intelligence — telles que l'apprentissage, le raisonnement, la résolution de problèmes, la perception ou la prise de décision.
Ce n'est pas une conscience
Aucune compréhension, aucune intention. Une machine qui calcule et prédit, très vite, sur beaucoup d'exemples.
Ni de la magie
Des mathématiques et des statistiques : on ajuste une fonction pour qu'elle se trompe le moins possible.
Pas toujours à partir de données
Certaines IA apprennent sur des exemples ; d'autres suivent des règles écrites par des experts. Les deux existent.
03/07/2026 · 04L'IA symbolique
L'ordinateur raisonne en appliquant des règles logiques écrites par des humains. Pas d'apprentissage : tout est programmé à la main. Naissance de l'IA à Dartmouth, 1956.
200 millions de positions évaluées par seconde, par pure force brute. Aucune intuition, aucun apprentissage : il calcule, tout simplement.
Aux échecs, toute l'information est là. Le monde réel, lui, est trop complexe à mettre en règles.
03/07/2026 · 04Les systèmes experts
On encode le savoir d'un expert d'un domaine précis sous forme de règles « si… alors… ». Premier vrai succès commercial de l'IA.
MYCIN diagnostiquait des infections bactériennes ; XCON configurait des ordinateurs. Impressionnant sur des domaines étroits et bien délimités.
Ingérable à grande échelle : ajouter une règle en casse d'autres. Coûteux à maintenir, incapable de sortir de son domaine.
03/07/2026 · 04Le machine learning
La rupture : on n'écrit plus les règles, on les fait apprendre à la machine à partir de données. Le programme ajuste tout seul ses paramètres pour se tromper le moins possible sur des exemples.
Un filtre anti-spam : on lui montre des milliers d'e-mails étiquetés « spam / pas spam », et il apprend seul à reconnaître les motifs — sans qu'on lui dicte une seule règle.
Il faut des données de qualité, en quantité, et souvent un humain pour choisir les bonnes caractéristiques à regarder. La performance plafonne sur les tâches très complexes (image, langage).
03/07/2026 · 04Le machine learning en pratique : la régression
La régression répond à « combien ? ». À partir d'exemples (surface → prix), le modèle trace la meilleure droite qui relie les données, puis prédit le prix d'un bien qu'il n'a jamais vu.
Estimer un coût de reprise au m², une valeur vénale, un délai de séchage… toute grandeur continue qu'on veut chiffrer à partir d'exemples passés.
03/07/2026 · 04Le machine learning en pratique : la classification
On montre au modèle des exemples étiquetés (ici des chiffres 0-9). Il apprend des zones de décision, puis range chaque nouvelle image dans la bonne classe selon sa position.
C'est exactement ce que faisaient les pigeons (malin / bénin) — et ce que fait un LLM, mais avec des dizaines de milliers de cases : tous les mots possibles.
03/07/2026 · 04Comment le modèle apprend : l'optimisation
Apprendre = minimiser l'erreur. Le modèle mesure de combien il se trompe (la « perte »), puis ajuste ses paramètres pas à pas pour descendre vers l'erreur la plus basse.
Le modèle n'optimise que ce qu'on lui donne à mesurer. Il fait « ce qu'on a mesuré », pas « ce qui est bien » — d'où l'importance du critère qu'on choisit.
03/07/2026 · 04Il n'existe pas « une » IA, mais beaucoup de méthodes
Apprentissage supervisé
On montre des exemples avec la bonne réponse (des lames « malignes / bénignes »). Le modèle apprend à reproduire. C'est le cas le plus courant en expertise.
Apprentissage non supervisé
Aucune étiquette : le modèle regroupe seul ce qui se ressemble, révèle des structures. Utile pour explorer un jeu de données.
Apprentissage par renforcement
Le modèle essaie, se trompe, est récompensé — comme les pigeons. C'est ainsi qu'on entraîne un jeu ou un robot.
Régression, arbres de décision, forêts aléatoires, machines à vecteurs de support, plus proches voisins, réseaux de neurones… On choisit l'outil selon le problème et les données. Les réseaux de neurones — que nous allons détailler — n'en sont qu'une famille, celle qui a fait décoller le deep learning.
03/07/2026 · 04Un aperçu des méthodes les plus utilisées
Aucune n'est « la » bonne : chacune brille sur un type de problème et de données. Un bon praticien en essaie plusieurs et garde celle qui se trompe le moins.
● supervisé ● non supervisé
03/07/2026 · 04La brique de base : le neurone artificiel
Le neurone reçoit des entrées (Xᵢ), les pondère (chaque poids wᵢ = une importance), les additionne avec un biais, puis passe le tout dans une fonction qui décide de s'activer ou non.
L'idée date de 1943, et le premier neurone qui apprend (le perceptron) de 1957. Un neurone seul est bête ; c'est l'empilement de millions d'entre eux qui a tout changé.
03/07/2026 · 04Démonstration : voir un réseau de neurones apprendre
On part d'un neurone qui trace une simple frontière. On voit ses poids s'ajuster en direct pour séparer les points bleus des points jaunes.
En empilant des neurones en couches, la frontière devient courbe, puis capable de séparer des formes complexes. La puissance vient du nombre.
Plus de neurones et de couches = des motifs plus riches appris — mais aussi plus de données et de calcul nécessaires. Le principe même du deep learning.
tensorflow.org
Un bac à sable visuel : on ajoute des neurones, des couches, on change les données, et on regarde le réseau apprendre en temps réel.
03/07/2026 · 04Le deep learning & les LLM
Le même principe — des neurones — mais à très grande échelle : des réseaux de très nombreuses couches, qui apprennent seuls les bonnes caractéristiques. Décollage en 2012 (images), puis les modèles de langage (Transformers 2017, ChatGPT 2022).
ChatGPT, Claude, Mistral : ce sont des réseaux de neurones géants (des milliards de poids) entraînés sur d'immenses corpus, qui prédisent le mot suivant. Le neurone de tout à l'heure, multiplié par des milliards.
Vorace en données et en puissance de calcul (GPU). Peu explicable (« boîte noire »), et — on le verra — excellent sur le connu mais vite perdu hors de son contexte d'entraînement.
03/07/2026 · 04Le carburant : le dataset ImageNet
Un réseau n'apprend à classer que ce qu'on lui montre. ImageNet lui a fourni des millions d'exemples étiquetés — le carburant sans lequel AlexNet n'aurait rien appris.
03/07/2026 · 062012 : le deep learning décolle avec la classification d'images
15,3 % d'erreur vs 26,2 % pour le 2ᵉ
Même tâche que les pigeons : ranger une image dans une case. La classification d'images est le berceau du deep learning moderne.
Un processeur classique fait une chose à la fois ; un GPU, c'est une armée de tâcherons qui font des millions de petits calculs en parallèle — ce qu'exige un réseau de neurones. Conçues pour le jeu vidéo, ces cartes (NVIDIA + CUDA) ont rendu l'entraînement praticable.
Tout l'écosystème de l'IA moderne — de la reconnaissance d'images jusqu'à ChatGPT — tourne sur ces cartes. NVIDIA s'est retrouvé fournisseur quasi unique de l'outil indispensable.
Enjeu pour des juristes : goulot d'étranglement géopolitique — qui contrôle les puces contrôle le rythme de l'IA. La souveraineté logicielle ne vaut que si la souveraineté matérielle suit.
03/07/2026 · 06La rupture de 2012, année après année
Deux ans de méthodes classiques bloquées autour de 26 % ; puis AlexNet fait chuter l'erreur de moitié en 2012, et la course au deep learning franchit le niveau humain dès 2015.
03/07/2026 · 06Comment un réseau « voit » : le principe d'AlexNet
L'image passe de couche en couche : chaque couche extrait des caractéristiques (contours, textures, formes), et la dernière décide — ici « Chat : 92 % ».
Les couches de convolution repèrent des motifs ; le pooling réduit la taille en gardant l'essentiel. On empile ces étages pour aller du simple au complexe.
03/07/2026 · 06Le réseau s'organise seul — comme le cerveau
À l'entraînement, les premières couches apprennent seules des contours et des textures (en haut de l'image), les suivantes les combinent en motifs de plus en plus complexes (en bas), jusqu'à l'objet entier.
Notre cortex visuel fait pareil : des bords orientés (V1), puis des formes, puis des objets (V2, V4…). Découvert par Hubel & Wiesel (Nobel 1981) — et c'est ce qui a inspiré ces réseaux. La machine n'a pas copié le cerveau : elle a retrouvé la même idée.
03/07/2026 · 06Quand l'IA atteint le niveau de l'expert… sur une tâche cadrée
Algorithme entraîné sur 128 175 images de fond d'œil notées par 54 ophtalmologues, validé contre ≥ 7 spécialistes certifiés. La référence du genre — et elle reboucle avec les pigeons : imagerie médicale.
Ces algorithmes atteignent le niveau d'experts humains sur une tâche précise et cadrée — ils ne « remplacent » pas le médecin. Les auteurs eux-mêmes appellent à des recherches complémentaires avant tout usage clinique réel.
C'est exactement le message : excellent sur la tâche apprise, à valider par l'expert pour le reste.
03/07/2026 · 08Qu'est-ce qu'un grand modèle de langage (LLM) ?
Un LLM ne « comprend » pas : à partir du texte déjà écrit, il prédit le mot suivant le plus probable, l'ajoute, puis recommence — mot après mot. Toute cette machinerie ne produit, à chaque étape, qu'une prédiction probabiliste.
03/07/2026 · 09Voir un LLM fonctionner, en 3D
Une visualisation animée d'un vrai GPT, du mot d'entrée jusqu'à la prédiction — du minuscule modèle jouet jusqu'à GPT-3.
Des dizaines de couches, des milliards de paramètres, une mécanique vertigineuse… et à la sortie, une seule chose : la probabilité du mot suivant.
Immense machinerie, sortie minuscule. Là où le modèle hésite entre plusieurs mots et « tire » quand même naissent les approximations — les hallucinations.
→ Pas de compréhension, pas d'intention : une fonction, immense, qui classe.
03/07/2026 · 12Une croissance vertigineuse : les paramètres de GPT
En cinq ans, de 117 millions à plus de mille milliards de paramètres — un facteur d'environ dix mille. C'est cette « immense machinerie » que montre la visualisation 3D. * GPT-4 et GPT-5 : chiffres non divulgués par OpenAI, estimations publiques.
03/07/2026 · 12Le texte est sa propre annotation
Pour reconnaître un chat, il a fallu que des humains étiquettent des millions d'images une par une — c'est tout le travail derrière ImageNet (14 millions d'images annotées).
Un goulot d'étranglement : lent, coûteux, limité.
Un LLM apprend sur le texte déjà écrit par l'humanité — livres, articles, sites, codes. On cache un mot, le modèle doit le deviner : le texte se corrige lui-même.
Aucune étiquette à produire : le corpus humain suffit.
La conséquence : on peut entraîner ces modèles sur des quantités de texte gigantesques, sans armée d'annotateurs — ce qui a permis le passage à l'échelle qu'on vient de voir. Nuance : un réglage humain intervient ensuite, pour rendre le modèle utile et sûr (c'est le second piège, à suivre).
03/07/2026 · 12Qui se cache derrière les outils ?
Modèle fermé — hébergé chez l'éditeur. Vos données partent chez lui.
Modèle ouvert — installé sur vos propres serveurs. Vous gardez la main.
● fermé US ● ouvert UE ● ouvert (auto-hébergeable)
→ matérialisé plus loin par la démo LibreChat + Qwen sur OVH.
03/07/2026 · 09Chaque modèle a ses forces
Il n'y a pas de « meilleur » modèle : on choisit selon la tâche. Les meilleurs praticiens en combinent plusieurs, chacun sur son point fort.
● fermé ● ouvert UE ● ouvert
03/07/2026 · 09Premier piège : la dépendance au fournisseur
Avec un modèle fermé, l'outil vit chez l'éditeur. Le prix, les conditions, la disponibilité, jusqu'au comportement du modèle : tout peut changer du jour au lendemain, sans vous demander votre avis.
Un modèle « état de l'art » aujourd'hui peut être renchéri, bridé — ou tout simplement arrêté — demain.
La quasi-totalité des modèles fermés sont américains ou chinois. Une décision politique — export, sanction, réglementation — peut couper l'accès ou soumettre vos données à un droit étranger.
La rupture d'une dépendance est rarement technique : elle est surtout juridique et géopolitique.
03/07/2026 · 10Deuxième piège : vos données nourrissent le modèle — et peuvent ressortir
Samsung — 2023
En moins de 20 jours, 3 fuites : code source et réunion interne collés dans ChatGPT pour gagner du temps. Données irrécupérables. Les pros l'utilisent déjà — l'interdire le rend invisible.
Indexation Google — 2025
Une case « rendre visible » mal comprise : ~100 000 conversations partagées retrouvées sur Google. Des personnes ré-identifiées. ChatGPT n'a pas été piraté — il a fonctionné comme prévu.
Attaque DeepMind — 2023
En lui faisant répéter un mot, des chercheurs ont fait recracher au modèle des données mémorisées mot pour mot — dont les coordonnées d'une personne réelle. L'alignement n'efface pas la mémorisation.
03/07/2026 · 10Troisième piège : le modèle est réglé pour vous plaire
Souvenez-vous : « un modèle fait ce qu'on a mesuré ». Les LLM grand public sont calibrés pour maximiser la satisfaction de l'utilisateur.
Effet de bord : il va dans votre sens — c'est la complaisance (sycophancy). Si vous formulez une hypothèse, il la confirme plutôt que de la contredire.
Le symptôme le plus courant : cette petite phrase par laquelle il commence si souvent ses réponses — « Tu as tout à fait raison… »
Le danger pour un expert
Cela renforce le biais de confirmation. Vous croyez vérifier une thèse, alors que la machine ne fait que vous la renvoyer embellie.
Poser des questions neutres. Demander au modèle de jouer l'avocat du diable : « quels éléments contredisent cette hypothèse ? »
03/07/2026 · 11Quatrième piège : le modèle a lui-même un parti pris
Demandez « À qui appartient Taïwan ? » : un modèle chinois répondra que Taïwan fait partie de la Chine ; un modèle occidental décrira une situation disputée, avec un gouvernement de fait.
Ce n'est pas un bug : le parti pris est entraîné dans le modèle, pas seulement filtré à l'écran.
Chaque modèle porte la culture, le droit et la politique du pays qui l'entraîne — sujets sensibles évités, cadrages orientés, valeurs implicites.
Aucun modèle n'est neutre : la « neutralité » d'une réponse dépend d'où l'on se place.
03/07/2026 · 11Cinquième piège : le modèle invente — l'hallucination
Un LLM produit le texte le plus plausible, pas le plus vrai. Faute de réponse, il en fabrique une : références crédibles, dates cohérentes… mais totalement fictives.
« On oublie trop souvent que les IA ne sont pas entraînées à dire non, et préfèrent inventer une source juridique que de donner tort à l'utilisateur. » — D. Charlotin, chercheur
Ce n'est pas de la science-fiction
Mata c. Avianca (New York, 2023) : deux avocats sanctionnés pour avoir cité six décisions de justice entièrement inventées par ChatGPT.
Le phénomène a atteint la France fin 2025 : les tribunaux de Grenoble, d'Orléans puis de Périgueux ont relevé des requêtes truffées de jurisprudences fictives — jusqu'à une quinzaine dans un seul dossier.
03/07/2026 · 11Première piste : Mistral, le champion européen
Mistral AI propose un assistant (Le Chat) et des modèles performants, francophones, hébergés dans l'UE et soumis au droit européen (RGPD).
Pour beaucoup d'usages, c'est déjà un grand pas vers la souveraineté.
Mais un fournisseur reste un fournisseur
Utiliser Mistral en ligne règle la question du pays et du droit applicable ; il reste une dépendance à un éditeur unique — ses prix, sa disponibilité, sa feuille de route.
Le piège n'1 n'est donc pas totalement levé : on a changé de fournisseur, pas supprimé la dépendance.
03/07/2026 · 12Deuxième piste : LibreChat + le moteur de votre choix
LibreChat est une interface libre — le même confort qu'un ChatGPT — que vous connectez au moteur de votre choix : Qwen ou Mistral hébergés sur OVH, un autre fournisseur, ou même un modèle sur votre propre serveur.
Hébergement en Europe, données non conservées, aucun entraînement sur vos requêtes. Et si un fournisseur ne convient plus, vous le débranchez et en branchez un autre.
Répond au piège 1 (dépendance)
Vous n'êtes lié à aucun éditeur unique : l'interface reste, les modèles se remplacent librement.
Répond au piège 2 (données)
Hébergé chez vous ou en Europe : vos requêtes ne nourrissent aucun modèle tiers et ne ressortent pas.
03/07/2026 · 12Ce que ça sait faire dans votre métier
Lire & synthétiser
Dires, rapports, pièces, dossiers de centaines de pages.
FiableExtraire l'info structurée
Parties, chefs de mission, chronologie, montants.
FiableRédiger & mettre en forme
Trames, reformulations, notes de synthèse.
À relireAnalyser des images
Désordres, fissures — l'IA s'y trompe le plus, l'œil reste juge.
Vigilance03/07/2026 · 13Le prompt efficace : la qualité de la réponse suit la demande
Un prompt volontairement mauvais
« résume-moi ça » → réponse médiocre, à l'écran.
On le reconstruit ensemble
rôle + contexte + tâche + format, jusqu'à la bonne réponse. Avant / après visible.
→ La salle voit la différence se construire en temps réel.
03/07/2026 · 14RGPD, confidentialité, responsabilité
- Données personnelles des parties
- Secret de l'expertise
- Pièces sensibles, parfois sous scellés
- Un dossier nominatif dans son intégralité
Le risque n'est plus seulement « où sont stockées les données » : elles peuvent réapparaître chez un tiers.
- Anonymiser avant d'envoyer
- Versions « entreprise » qui n'entraînent pas le modèle
- Hébergement en UE
- Solution locale : rien ne sort de la machine
Principe directeur : l'outil ne décharge d'aucune responsabilité.
03/07/2026 · 15Lire la licence — et ne pas se voiler la face
Un même nom d'outil recouvre des contrats très différents.
- ChatGPT gratuit / Plus : par défaut, vos échanges peuvent servir à entraîner le modèle (désactivable, mais non imposable à une organisation).
- ChatGPT Entreprise : le non-entraînement sur vos données est garanti par contrat, avec hébergement et journaux d'audit.
« J'utilise ChatGPT » ne veut rien dire en soi : tout dépend de la formule.
Interdire purement l'IA donne l'illusion de la sécurité. En pratique, les gens contournent — et se rabattent sur les versions gratuites, les moins protectrices, depuis un compte personnel et hors de tout contrôle.
La bonne approche : encadrer plutôt qu'interdire — fournir un outil conforme, poser des règles claires, et former les utilisateurs.
Un outil validé et cadré vaut mieux qu'un usage clandestin qu'on ne voit pas.
03/07/2026 · 15Pourquoi les MCP changent la donne
Un LLM seul ne sait que parler — il génère du texte. Il ne peut ni ouvrir votre dossier, ni produire un fichier. Et ses connaissances s'arrêtent à sa date d'entraînement.
Le MCP donne des mains au cerveau : lire un fichier, interroger une base, écrire un Word, appeler une API. Une prise universelle (comme l'USB-C) : on branche une fois, réutilisable partout.
Sans MCP, le modèle ne ferait que décrire ce qu'il faudrait écrire. Avec MCP, il le fait : lire la mission, extraire les parties et chefs de mission, produire le Word pré-rempli.
Le revers : donner des mains à l'IA élargit la surface de risque. Un outil branché = un accès. D'où l'importance de maîtriser quoi on connecte, avec quelles permissions, et dans quel environnement (OVH plutôt que cloud tiers).
03/07/2026 · 16Le pont : un système multi-agents qui dépasse l'expert isolé
Plutôt qu'un seul modèle, on fait dialoguer plusieurs agents aux rôles complémentaires — l'un propose des hypothèses, un autre les conteste, un autre choisit les examens… jusqu'à un diagnostic. Le « flock sourcing » des pigeons, transposé à des agents IA.
03/07/2026 · 17Les résultats : plus juste, et moins cher
Chaque point est un modèle ; en haut à gauche, c'est plus précis pour moins cher. L'orchestrateur multi-agents (courbe pleine) domine tous les modèles seuls et laisse loin derrière le médecin isolé (la croix). Ce n'est pas un modèle plus gros : c'est la collaboration entre agents qui fait la différence.
03/07/2026 · 17Le pont : un système multi-agents qui dépasse l'expert isolé
Diagnostic séquentiel (questions → examens → conclusion). L'orchestrateur MAI-DxO fait dialoguer plusieurs agents IA comme un panel de médecins : plus de 4× mieux que le médecin seul, et à moindre coût.
C'est l'orchestration : décomposer, faire collaborer des rôles, faire vérifier. Le flock sourcing des pigeons, transposé à des agents.
Microsoft le conclut lui-même : l'IA pose un diagnostic mais ne porte ni l'ambiguïté, ni la responsabilité. La machine propose, l'expert signe.
À dire soi-même : les médecins étaient sans accès à leurs ressources habituelles ; MAI-DxO est une démonstration de recherche, non validée cliniquement.
03/07/2026 · 17Transposé à l'expertise : un panel d'agents autour du dossier
Le même principe que le panel médical, appliqué à un litige construction : chaque agent défend un point de vue — expert, économiste, juriste, avocats des parties. Le débat contradictoire fait ressortir convergences et divergences, que l'expert tranche.
03/07/2026 · 18Accompagner ou remplacer ?
- Excellente sur le connu, perdue dès que le contexte change.
- Elle ne porte aucune responsabilité.
- Elle ne discerne pas l'enjeu, n'engage pas une signature, ne répond pas devant un juge.
- Le bon modèle : un assistant qui défriche, que l'expert relit et corrige systématiquement.
L'IA est obligée de choisir une case, même quand elle ne sait pas. C'est là que naissent les hallucinations.
La vraie question, celle du début :
Quand lui faire confiance,
et quand la corriger.
03/07/2026 · 19Une IA pensée pour les contraintes de l'expert
Confidentialité par conception
Hébergement en Europe, données non conservées, anonymisation native.
Pensée métier
Lecture de mission, extraction structurée, génération de documents — le quotidien de l'expert.
Souveraine de bout en bout
Modèles maîtrisés, environnement contrôlé, pas de dépendance à un cloud tiers.
Sous réserve de l'offre concrète à présenter — à adapter le jour J.
03/07/2026 · 20Cinq idées à emporter
03/07/2026 · 21