Extrait court
L’apprentissage profond est une forme avancée d’apprentissage automatique utilisant de grands réseaux de neurones artificiels multicouches.
Définition courte
Structure informatique inspirée par la neurobiologie du cerveau humain, composée de couches de neurones artificiels interconnectés. Ces réseaux sont la technologie fondamentale de l’apprentissage profond (Deep learning) qui permet aux systèmes d’intelligence artificielle (IA) d’apprendre, de raisonner et d’exécuter des tâches cognitives complexes, notamment pour générer du contenu (IA générative).
Définition longue
Un réseau de neurones artificiels (RNA) est une approche de l’IA qui s’inspire de la structure des réseaux neuronaux biologiques (le cerveau). Un RNA typique comprend une couche d’entrée, une ou plusieurs couches de calcul intermédiaires cachées, et une couche de sortie qui fournit le résultat. Durant le processus d’apprentissage, les pondérations (poids) attribuées aux connexions entre ces neurones sont ajustées pour permettre au réseau de calculer des sorties pour de nouvelles données.
Les RNA sont à la base de l’apprentissage profond (Deep learning), la technologie sous-jacente aux systèmes d’IA les plus récents et performants, y compris les grands modèles de langage (GML) qui alimentent l’IA générative. C’est l’augmentation de la puissance de calcul et la disponibilité des mégadonnées (Big Data) qui ont permis le développement de ces réseaux complexes.
Dans le contexte de l’enseignement supérieur au Québec, le rôle des RNA est central, car ils sont directement impliqués dans les outils d’IAg utilisés par les étudiants et le personnel. Cependant, les couches cachées qui confèrent leur puissance aux RNA entraînent un problème d’opacité (l’effet « boîte noire »).
Ce manque de transparence rend difficile, voire impossible, de comprendre la logique interne et la manière dont une décision ou un résultat spécifique a été atteint, ce qui soulève des enjeux d’explicabilité et de confiance majeurs lorsque ces systèmes sont utilisés pour la prise de décisions sensibles en éducation.
Éléments clés
- Réseaux informatiques inspirés de la structure du cerveau humain
- Composé de couches de neurones artificiels (entrée, cachées, sortie)
- Permet l’apprentissage automatique par ajustement des pondérations
- Base technologique de l’apprentissage profond (Deep learning) et de l’IA générative
- Souvent caractérisé par l’opacité (« boîte noire »)
Sources
- Observatoire international sur les impacts sociétaux de l’intelligence artificielle et du numérique (Obvia). (2025). Glossaire de l’Obvia.
- Comité école et société (FNEEQ-CSN). (2023). Intelligence artificielle en éducation : De la mission à la démission sociale : replaçons l’humain au cœur de l’enseignement.
- Conseil supérieur de l’éducation et Commission de l’éthique en science et en technologie (CSE et CEST). (2024). Intelligence artificielle générative en enseignement supérieur : enjeux pédagogiques et éthiques.
- Organisation des Nations Unies pour l’éducation, la science et la culture (UNESCO). (2021). IA et éducation : guide pour les décideurs politiques.
- Ministère de la Cybersécurité et du Numérique (MCN). (2024). Guide des bonnes pratiques d’utilisation de l’intelligence artificielle générative.