HELMo
Inscription

UE25 Projet global en intelligence artificielle

En pratique

  • Cette unité d'enseignement (UE) articule 1 activité d'apprentissage :
    • Projet global en intelligence artificielle
  • En 2026-2027, elle s'organise au deuxième quadrimestre et couvre 6 crédits (ECTS).
  • L'enseignement est principalement centralisé dans le campus : Département Informatique
  • Cette UE est remédiable d'une session à l'autre
  • Modalités d'enseignement
    • Groupe classe
    • Sous-groupe
    • en autonomie

Activité d’apprentissage

Les finalités de l'UE

Cette unité d’enseignement initie les étudiants à la mise en œuvre concrète de l’intelligence artificielle dans un cadre collaboratif et interdisciplinaire. Elle marque le passage de l’apprentissage théorique à la pratique projet, en mobilisant des compétences techniques, analytiques et éthiques. Les étudiants y apprennent à modéliser un problème complexe, concevoir une solution algorithmique adaptée, évaluer ses impacts et communiquer leurs résultats. L’UE contribue ainsi à former des professionnels capables d’utiliser l’IA comme outil d’innovation responsable.

Les contenus de l'UE

Cette unité d’enseignement explore la conception, l’analyse et la communication autour des systèmes d’intelligence artificielle dans une perspective critique et professionnelle.
Elle se déploie en trois grandes parties complémentaires.
La première conduit les étudiants à évaluer les modèles existants, à comprendre leurs principes de fonctionnement, leurs biais et leurs limites, afin d’en apprécier la pertinence dans des contextes concrets.
La deuxième partie amène à justifier les choix méthodologiques et les mesures de performance utilisées dans la construction et l’évaluation d’un modèle, en intégrant les dimensions d’éthique, de transparence et de responsabilité.
Enfin, la troisième partie développe la capacité à communiquer clairement les résultats et à vulgariser des analyses complexes auprès de différents publics, en veillant à la rigueur scientifique et à la lisibilité.
L’ensemble du parcours est rythmé par des interventions d’experts du secteur, qui illustrent l’application de ces principes dans le monde académique, industriel et sociétal, et encouragent une approche réflexive et interdisciplinaire de l’IA.

Les acquis d'apprentissage visés par l'UE

Au terme de cette UE, l’étudiant·e devrait être capable :

  • d’analyser de manière critique le fonctionnement et les performances d’un modèle d’intelligence artificielle existant ;

  • de sélectionner et justifier les indicateurs pertinents pour évaluer la qualité et la fiabilité d’un modèle ;

  • de argumenter les choix méthodologiques effectués lors du développement ou de l’adaptation d’un modèle d’IA ;

  • de interpréter et communiquer clairement les résultats d’une analyse ou d’une expérimentation à différents publics ;

  • de collaborer efficacement au sein d’une équipe interdisciplinaire et internationale pour concevoir un projet d’IA responsable.

Les méthodes d'enseignement-apprentissage

Cette UE combine travail guidé et autonomie progressive. Les premières séances posent les bases conceptuelles de l’intelligence artificielle appliquée, avec un accompagnement étroit de l’enseignant pour garantir une compréhension solide des méthodes d’évaluation et des notions éthiques.
Progressivement, les étudiants sont amenés à travailler en autonomie sur un projet collaboratif, où ils appliquent les concepts vus en classe à une problématique réelle.
Des séances de suivi jalonnent le quadrimestre : elles permettent d’ajuster la méthodologie, d’approfondir la réflexion et d’assurer une cohérence entre les dimensions techniques, éthiques et communicationnelles.
L’ensemble du parcours alterne ainsi apports théoriques, ateliers pratiques et encadrement de projet, avec des interventions d’experts pour relier la formation au monde professionnel.

Engagement attendu de la part de l'étudiant.e

La réussite de cette UE repose sur une participation active et régulière. Il est conseillé de poser des questions, de travailler de manière progressive et de collaborer efficacement en groupe. Les étudiant·es doivent expérimenter, justifier leurs choix méthodologiques et soigner la clarté de leur communication. Organisation, curiosité et rigueur sont essentielles pour tirer pleinement profit du projet et des apports théoriques.

Examen

Cette épreuve présente des modalités similaires pour toutes les sessions. Elle est organisée durant la session. Il s'agit d'une présentation. Cette épreuve est individuelle et en équipe. Concrètement, l'épreuve repose sur une formulation écrite, une formulation orale, une réalisation par mise en pratique. L'épreuve repose sur des réponses longues, réponses courtes, réponses choisies parmi des propositions, formulations personnelles. Elle se déroule avec des documents autorisés, avec un support (à projeter). La correction de cette épreuve est assurée par validation par l’enseignant et par autoévaluation.

Règles de l’UE

Quels sont les supports et matériels de cours indispensables ?

Supports et matériels de cours

  • Un ordinateur portable (Windows/macOS/Linux) avec Python 3.10+ installé (pip ou conda).

  • Un environnement de travail au choix : Jupyter Notebook/Lab ou VS Code (extension Python).

  • Connexion Internet pour installer les paquets et récupérer les jeux de données.
    (Paquets de base : numpy, pandas, matplotlib, scikit-learn ; éventuellement shap/permutation-importance selon les activités.)

Quelles sont les informations administratives de cette UE ?