Guide du professeur — Session 5 🟢

« L’IA qui voit, entend et crée »

Programme : Applied AI — Niveau Débutant (dès 12 ans, grand public) Instructeur : Yann Isola Durée conseillée : 2 h (adaptable 1 h 30 – 2 h 30) Prérequis : Sessions 1 à 4 (notions : IA, apprentissage automatique, données, IA générative de texte)

1. Objectifs pédagogiques

À la fin de la session, chaque participant doit être capable de :

Expliquer ce qu’est une IA multimodale avec ses propres mots (une IA qui traite plusieurs types de contenus : texte, image, son, vidéo).
Décrire en 3 étapes simples comment une IA « voit » une image (pixels → indices visuels → reconnaissance).
Citer au moins 3 applications concrètes de la vision par ordinateur et 2 de la reconnaissance vocale.
Nommer les grands outils de génération (images, musique, vidéo) et comprendre qu’ils créent à partir d’une description texte. ⚠
Définir ce qu’est un deepfake, expliquer pourquoi c’est un problème, et lister 4 indices pour en repérer un.
Identifier des applications positives : accessibilité, médecine, création artistique.
Créer un mini-projet combinant plusieurs contenus générés par IA (activité pratique).

⚠ Contenu volatile : les noms d’outils, leurs capacités et leurs tarifs évoluent très vite. Vérifiez l’état de l’art avant chaque session (15 min de veille suffisent). Les sections marquées ⚠ dans ce guide sont celles à re-vérifier.

2. Vue d’ensemble et fil rouge

Fil rouge de la session : « Jusqu’ici, on a parlé à l’IA avec du texte. Aujourd’hui, on découvre qu’elle a aussi des yeux, des oreilles, une voix… et un pinceau. »

La session alterne exposé court, démos, discussions et une grande activité créative finale. Le moment fort est le jeu du détective deepfake (page web interactive) : il crée de l’émotion et ancre le message de prudence.

Déroulé minuté (base 2 h)

Temps	Séquence	Format
0:00 – 0:10	Accroche : « L’IA a-t-elle des sens ? »	Discussion
0:10 – 0:25	L’IA multimodale : définition + exemples	Exposé + démo
0:25 – 0:45	Comment l’IA « voit » : pixels → features → reconnaissance	Exposé + explorateur de pixels (page web)
0:45 – 1:00	Génération d’images ⚠ + reconnaissance et synthèse vocales	Exposé + démos
1:00 – 1:10	Pause	—
1:10 – 1:25	Musique, vidéo, et les deepfakes	Exposé + jeu du détective (page web)
1:25 – 1:35	Applications positives : accessibilité, médecine, art	Exposé + discussion
1:35 – 1:55	Activité : créer avec l’IA (exercice 3)	Atelier
1:55 – 2:00	Synthèse + quiz (ou quiz à la maison)	Quiz

3. Contenu détaillé, séquence par séquence

3.1 Accroche (10 min) — « L’IA a-t-elle des sens ? »

Posez la question au groupe : « Vous avez déjà utilisé une IA qui ne lit pas du texte, mais qui voit ou qui écoute ? »

Réponses attendues (les faire émerger, ne pas les donner) :

Déverrouiller un téléphone avec son visage
Dicter un message vocal / demander quelque chose à Siri ou Google
Les filtres photo (Snapchat, TikTok, Instagram)
Shazam qui reconnaît une chanson
Les sous-titres automatiques sur YouTube

Message clé : l’IA multimodale n’est pas de la science-fiction, tout le monde dans la salle l’utilise déjà, souvent sans le savoir.

3.2 L’IA multimodale (15 min)

Définition simple : « multi » = plusieurs, « modale » = types de contenus (modes). Une IA multimodale peut travailler avec du texte, des images, du son et de la vidéo — en entrée (elle les comprend) et/ou en sortie (elle les crée).

Analogie efficace : « Les premières IA de texte, c’était comme discuter avec quelqu’un par SMS dans le noir. L’IA multimodale, c’est la même personne mais qui peut maintenant regarder vos photos, écouter votre voix et vous répondre en dessinant. »

Tableau à construire au tableau avec le groupe :

Sens humain	Équivalent IA	Exemple du quotidien
La vue 👁	Vision par ordinateur	Déverrouillage facial
L’ouïe 👂	Reconnaissance vocale	« Dis Siri… »
La parole 🗣	Synthèse vocale	GPS qui parle
Le dessin ✍	Génération d’images	DALL-E, Midjourney ⚠

Nuance importante à donner : l’IA ne « voit » pas et n’« entend » pas comme nous. Elle transforme tout en nombres et cherche des motifs (patterns) dans ces nombres. Pas de conscience, pas de ressenti — du calcul. C’est le pont avec la séquence suivante.

3.3 Comment l’IA « voit » (20 min) — cœur technique de la session

C’est le passage le plus « technique » : restez très visuel. Utilisez l’explorateur de pixels de la page web.

Étape 1 — Les pixels. Une image numérique est une grille de petits carrés colorés : les pixels (de l’anglais picture element, « élément d’image »). Chaque pixel est décrit par 3 nombres : la quantité de rouge, de vert et de bleu (le code RVB, en anglais RGB — Red, Green, Blue), chacun de 0 à 255. Pour l’ordinateur, une photo de chat = un immense tableau de nombres. Rien d’autre.

Démonstration avec l’explorateur de pixels : zoomer progressivement sur l’image jusqu’à voir les carrés individuels et leurs valeurs RVB.

Étape 2 — Les indices visuels (features). L’IA apprend à repérer des motifs dans ces nombres : d’abord des choses très simples (contours, lignes, taches de couleur), puis en combinant : des formes (un œil, une oreille pointue, des moustaches), puis des objets entiers (un chat !). En anglais on appelle ces indices des features (« caractéristiques »). C’est un empilement : simple → moyen → complexe.

Analogie : « C’est comme apprendre à lire : d’abord les lettres, puis les syllabes, puis les mots, puis les phrases. L’IA fait pareil avec les images : traits → formes → objets. »

Étape 3 — La reconnaissance. Après avoir vu des millions d’images étiquetées (« ceci est un chat », « ceci est un chien »), l’IA sait associer les motifs détectés à une réponse, avec un score de confiance : « chat à 97 % ». Rappel de la session 2 : c’est de l’apprentissage à partir d’exemples, pas de la magie.

Applications concrètes à détailler :

Déverrouillage facial : le téléphone mesure la géométrie du visage (distances entre les yeux, forme du nez…) et la compare à celle enregistrée.
Voitures autonomes : des caméras + IA détectent piétons, panneaux, lignes blanches, autres véhicules — des dizaines de fois par seconde.
Imagerie médicale : l’IA repère sur des radios ou des scanners des anomalies parfois invisibles à l’œil, et aide le médecin (elle ne le remplace pas — le diagnostic reste humain).

Limite à mentionner : l’IA de vision peut se tromper de façon surprenante (un autocollant sur un panneau STOP peut la perturber). Elle reconnaît des motifs, elle ne « comprend » pas la scène comme nous.

3.4 La génération d’images (8 min) ⚠

Principe : vous écrivez une description (un prompt), l’IA dessine l’image. Elle a appris en analysant des millions de paires image + description, et elle a appris à faire le chemin inverse : du texte vers l’image.

Vulgarisation du fonctionnement (optionnelle, pour les curieux) : beaucoup de ces IA fonctionnent par diffusion : elles partent d’un « brouillard » de pixels aléatoires et le « débruitent » petit à petit, guidées par votre description, jusqu’à faire apparaître l’image. Comme un polaroid qui se révèle, mais piloté par le texte.

Outils à citer ⚠ (vérifier avant la session) :

DALL-E (OpenAI) — intégré à ChatGPT
Midjourney — réputé pour le rendu artistique
Stable Diffusion — open source (code ouvert), utilisable sur son propre ordinateur

Points de vigilance à transmettre :

Les mains, le texte dans l’image, les détails fins : longtemps des points faibles (en amélioration rapide ⚠).
Questions de droit d’auteur : les IA ont appris sur des images créées par des humains — débat en cours, restez factuel.

3.5 Reconnaissance vocale et synthèse vocale (7 min)

Reconnaissance vocale (la machine écoute) : votre voix = une onde sonore = encore des nombres. L’IA a appris, sur des milliers d’heures de parole, à associer ces ondes à des mots. Chaîne simple à dessiner au tableau : son → nombres → texte.

Applications : assistants vocaux (Siri, Alexa, Google Assistant), dictée vocale, et surtout les sous-titres automatiques — une petite révolution : YouTube, visioconférences, TV en direct… un accès au contenu pour les personnes sourdes ou malentendantes, et pour tous ceux qui regardent sans le son.

Synthèse vocale (la machine parle) : le chemin inverse, texte → son. En anglais : text-to-speech (TTS, « du texte à la parole »). ⚠ Les voix actuelles sont devenues très naturelles : intonations, pauses, émotions. Certains outils peuvent cloner une voix à partir de quelques secondes d’enregistrement — ce qui fait le lien direct avec les deepfakes (séquence 3.7).

Applications : GPS, lecture d’articles et de livres audio, voix pour les personnes qui ne peuvent pas parler (l’exemple historique de Stephen Hawking parle à tous les âges).

3.6 Musique et vidéo : les frontières actuelles (7 min) ⚠

Section très volatile — à re-vérifier systématiquement.

Musique : des outils comme Suno ou Udio ⚠ génèrent des chansons complètes (paroles, voix, instruments) à partir d’une description. Faites écouter un extrait si possible — l’effet « wow » est garanti.
Vidéo : des outils comme Sora (OpenAI), Veo (Google), Runway ou Meta Muse Image ⚠ génèrent de courtes vidéos réalistes à partir d’un texte. C’est LA frontière du moment : résultats spectaculaires mais encore imparfaits (physique bizarre, objets qui apparaissent/disparaissent, mains et foules étranges).

📌 Repère état de l’art (juillet 2026, à re-vérifier ⚠) : les grands modèles généralistes se comptent désormais en familles. Côté OpenAI, GPT-5.6 (9 juillet 2026) décline Sol / Terra / Luna et Sol Ultra : effort de raisonnement jusqu’à max, et un « ultra mode » qui mobilise des sous-agents ; Terra vise grosso modo le niveau GPT-5.5 à moitié prix. Côté xAI, Grok 4.5 (8 juillet 2026) est positionné « Opus-class », très fort en code et agentique, avec API à environ 2 $/M tokens d’entrée et 6 $/M tokens de sortie, et un effort de raisonnement low / medium / high ; xAI a aussi acquis Cursor. Côté Meta, Muse Spark 1.1 (Meta Superintelligence Labs, 9 juillet 2026) devient le successeur multimodal et agentic-coding de Llama ; Spark 1.0 datait d’avril 2026, Muse Image du 7 juillet, et la Meta Model API est en preview. Ne mémorisez pas les numéros de version — ils changent tous les mois. Retenez la logique : chaque éditeur propose un grand modèle puissant et cher, et des variantes plus légères moins chères pour les tâches simples. C’est ce raisonnement « bon modèle pour la bonne tâche » qui compte, pas le nom du jour.

Message clé : ce qui est « impossible » aujourd’hui sera peut-être banal dans un an. D’où l’importance d’apprendre à vérifier ce qu’on voit — transition parfaite vers les deepfakes.

3.6-bis Les modèles du monde (world models) — la prochaine frontière (7 min) ⚠

🎯 Pourquoi cette séquence ? Les participants viennent de voir une IA écrire, dessiner, parler, filmer. Question naturelle : « est-ce qu’elle comprend vraiment le monde ? » C’est le sujet des modèles du monde (en anglais world models), l’un des grands chantiers de la recherche en 2026. Section volatile mais l’idée de fond, elle, est durable.

Le point de départ à poser à la salle : un modèle de texte, aussi impressionnant soit-il, vit dans un univers de mots. Il a lu des milliards de phrases, mais il n’a jamais habité un monde. Petite énigme à lire à voix haute pour le montrer :

« Je vais laver ma voiture ; la station de lavage est à 1 km. Combien de kilomètres est-ce que je parcours à pied ? »

Beaucoup d’IA (et d’humains distraits !) répondent « 1 km » en associant les mots. La bonne réponse est zéro : pour laver sa voiture, on y va en voiture. Pour répondre juste, il ne suffit pas de manipuler des mots — il faut reconstruire la scène : ce qu’est une voiture, une station, le fait de conduire, le but de l’action. C’est exactement ce qui manque à un pur modèle de langage.

La définition simple (à faire noter) : un modèle du monde, c’est une représentation interne de la façon dont le monde fonctionne, qui permet d’anticiper les conséquences d’une action. Si je pousse ce verre, va-t-il glisser, rouler ou tomber ? Si je tourne le volant, où va la voiture ?

L’analogie qui marche à tous les âges — le bébé et le chat :

Un bébé n’apprend pas les équations de la gravité. Il fait tomber des objets, recommence, et découvre tout seul que les choses tombent, que certaines sont solides, d’autres molles. Avant même de parler, il habite déjà un monde physique.
Un chat ne connaît pas les mots « inertie » ou « trajectoire », mais il sait sauter sur une table, viser une surface, anticiper la chute d’un objet poussé au bord. Il a un modèle du monde sans langage.

→ Faire dire aux participants : notre compréhension du monde est plus ancienne que nos mots. Quand vous descendez un escalier, vous ne calculez pas la gravité : votre corps simule l’équilibre et le mouvement.

Pourquoi ça compte (le message central) : tant qu’on reste dans le texte, l’erreur est tolérable — une phrase floue se corrige, une source inventée se vérifie. Mais dès qu’on passe au monde physique, la tolérance à l’erreur s’effondre. Exemple frappant à raconter : un robot qui doit attraper un verre ne peut pas produire une réponse « plausible » — il doit connaître la position exacte du verre, la force à appliquer, la fragilité de l’objet. S’il se trompe, il ne fait pas une faute de grammaire : il casse le verre.

Le lien image → vidéo → robotique (à dessiner comme un escalier) :

Une image donne déjà une structure de l’espace : des objets, des positions, des profondeurs.
Une vidéo ajoute le temps : les choses bougent, tombent, rebondissent, disparaissent puis réapparaissent.
La robotique ajoute l’action : le modèle ne se contente plus d’observer, il doit essayer, se tromper, corriger et vivre les conséquences.

C’est dans cette rencontre entre langage + vision + vidéo + action que beaucoup de chercheurs situent la prochaine génération d’IA : non plus seulement « quel mot vient après ? », mais « si je fais ceci, qu’est-ce qui va se passer ? » On parle aussi d’intelligence spatiale.

Message final de la séquence (à marteler, sans jargon) : les IA d’aujourd’hui savent décrire le monde ; les modèles du monde cherchent à le faire anticiper. C’est peut-être la « pièce manquante » entre un chatbot brillant et une IA qui agit dans le réel (voitures, robots domestiques, assistants physiques).

⚠ Garde-fou pour le formateur : rester grand public. Aucun formalisme. Si un participant demande « est-ce que ça existe déjà ? » : oui, sous forme de prototypes de recherche et de modèles de génération de vidéo qui commencent à respecter (imparfaitement) la physique — d’où les « objets qui apparaissent/disparaissent » vus à la séquence 3.6. Le sujet est jeune : présentez-le comme une direction, pas comme un produit fini.

3.7 Les deepfakes (8 min) — moment critique de la session

Définition : un deepfake (de deep learning, « apprentissage profond », + fake, « faux ») est un contenu — image, voix ou vidéo — créé ou modifié par IA pour faire croire à quelque chose de faux : faire dire à une personne des mots qu’elle n’a jamais prononcés, la placer dans une scène qui n’a jamais existé.

Pourquoi c’est un problème :

Désinformation : fausses déclarations de personnalités politiques, fausses « preuves ».
Arnaques : clonage de la voix d’un proche pour demander de l’argent (arnaques téléphoniques bien réelles).
Harcèlement : fausses images de personnes réelles, y compris de mineurs — rappeler que c’est illégal et gravement punissable.
Érosion de la confiance : le vrai danger de fond — quand tout peut être faux, on peut aussi nier ce qui est vrai (« c’est un deepfake ! » face à une vraie preuve).

Comment les repérer — les 4 réflexes du détective :

Les détails visuels : mains (doigts en trop ou en moins), dents, oreilles, bijoux asymétriques, texte illisible en arrière-plan, ombres et reflets incohérents. ⚠ Ces défauts diminuent avec le temps — insister sur les réflexes 3 et 4 qui, eux, restent valables.
Le mouvement (vidéo) : clignements d’yeux étranges, lèvres mal synchronisées avec le son, contours du visage qui « flottent ».
La source : qui a publié ? Un média fiable ou un compte anonyme créé hier ? L’info existe-t-elle ailleurs ?
Le bon sens : est-ce vraisemblable ? Un contenu choquant qui tombe « trop bien » doit éveiller le doute. Une émotion forte (colère, peur, indignation) est le signal qu’il faut vérifier avant de partager.

Activité intégrée : le jeu du détective deepfake sur la page web (vrai ou IA ?). Prévoir 5 minutes, jouer en équipes, débriefer les indices.

Message final, à marteler : l’objectif n’est pas de devenir paranoïaque, c’est de devenir vérificateur. Douter ≠ ne plus rien croire. Douter = vérifier avant de croire et surtout avant de partager.

3.8 Applications positives (10 min)

Il est essentiel de finir sur le positif après les deepfakes — l’IA multimodale change des vies :

Accessibilité :
- Sous-titrage en temps réel pour les personnes sourdes ou malentendantes (cours, réunions, TV).
- Audiodescription par IA : des applications qui décrivent à voix haute ce que « voit » la caméra du téléphone pour les personnes aveugles ou malvoyantes (lire un menu, reconnaître un billet, décrire une rue).
- Synthèse vocale pour les personnes privées de parole.
Médecine : aide à la détection de cancers sur les radios et mammographies, analyse d’images de la rétine, gain de temps pour les médecins. Toujours répéter : l’IA assiste, l’humain décide.
Art et créativité : de nouveaux outils pour les artistes, musiciens, cinéastes — prototyper une idée en minutes, illustrer une histoire, composer une maquette. Question ouverte à lancer au groupe : « Une image générée par IA, est-ce de l’art ? » (pas de réponse officielle — laissez le débat vivre 2-3 minutes).

3.9 Activité finale : créer avec l’IA (20 min)

Voir exercices.md, exercice 3 (mini-projet créatif). En résumé : chaque participant ou binôme crée une mini-œuvre combinant au moins deux contenus générés par IA (ex. : une image + un texte, ou une image + une idée de musique), puis présente en 1 minute : ce que j’ai demandé → ce que j’ai obtenu → ce que j’ai dû corriger.

Si pas d’accès aux outils IA en salle : utiliser la version « papier » décrite dans l’exercice (écrire les prompts et prédire les résultats, puis comparer avec des exemples préparés par l’instructeur), ou la galerie créative de la page web.

3.10 Synthèse et quiz (5 min)

Les 6 idées à retenir (les faire reformuler par les participants) :

L’IA multimodale voit, écoute, parle et crée — pas seulement du texte.
Pour l’IA, tout est nombres : pixels, ondes sonores. Elle détecte des motifs, elle ne « ressent » rien.
Vision par ordinateur : pixels → indices visuels → reconnaissance.
Génération d’images/musique/vidéo : une description texte suffit — les outils évoluent à toute vitesse. ⚠
Deepfakes : vérifier la source, garder son esprit critique, ne pas partager sous le coup de l’émotion.
Modèles du monde : décrire le monde (texte) ≠ l’anticiper (agir). La prochaine frontière relie image, vidéo et action — comme un bébé qui comprend l’espace avant de parler. ⚠

Quiz : 12 QCM (voir quiz.md) — en classe ou à la maison.

4. Matériel et préparation

Vidéoprojecteur + son (indispensable pour les démos audio).
La page web interactive de la session (fonctionne hors ligne) : webpage/index.html.
⚠ Veille pré-session (15 min) : vérifier les noms/capacités des outils cités (DALL-E, Midjourney, Stable Diffusion, Suno, Sora…), préparer 1-2 exemples récents de deepfakes ayant fait l’actualité, tester les outils prévus pour l’activité.
Pour l’activité créative : accès à au moins un outil de génération d’images gratuit ⚠, ou les alternatives « papier » de l’exercice 3.
Impressions : exercices (1/participant), quiz si fait sur papier.

5. Pièges pédagogiques et questions difficiles

Situation	Réponse conseillée
« Donc l’IA voit vraiment ? »	Non — elle calcule sur des nombres et détecte des motifs. Pas de conscience, pas d’expérience visuelle. Le mot « voir » est une image commode.
« Les deepfakes, c’est illégal ? »	Créer un deepfake n’est pas toujours illégal (parodie assumée, cinéma) ; l’utiliser pour tromper, arnaquer, harceler ou créer des contenus intimes sans consentement l’est. Ne pas jouer au juriste : donner les grands principes.
« L’IA va remplacer les artistes ? »	Question ouverte. L’histoire montre que les nouveaux outils (photo, synthétiseur) ont transformé l’art sans le tuer. Reconnaître les inquiétudes réelles (métiers de l’illustration) sans catastrophisme ni déni.
Un participant veut créer un deepfake « pour rigoler »	Cadrer immédiatement : jamais avec le visage ou la voix d’une personne réelle sans son accord. C’est la règle absolue, y compris « pour rire ».
« Comment être sûr à 100 % qu’une image est vraie ? »	On ne peut pas toujours. D’où l’importance de la source et du recoupement — c’est la compétence du siècle.
Écarts d’âge dans le groupe	Les 12-15 ans brillent au jeu du détective ; les adultes accrochent sur médecine/arnaques vocales. Utiliser les deux angles.

6. Liens avec les autres sessions

Sessions 1-2 : on retrouve l’apprentissage par exemples — ici appliqué aux images et aux sons.
Session 4 : l’IA générative de texte — cette session étend la génération aux images, au son, à la vidéo.
Session suivante : éthique et esprit critique — les deepfakes d’aujourd’hui servent d’introduction idéale.

Bonne session ! 🎨🎙👁