De par sa formulation, il est particulièrement adapté aux étudiants suivant une formation de BTS ou de BUT. Il est également adapté aux étudiants de CPGE pour découvrir des applications concrètes de l’IA et pourrait être utile notamment dans le cadre des TIPE.

Prérequis

Les prérequis pour ce module sont très limités car on ne souhaite pas entrer dans les formulations mathématiques. On pourra cependant exiger de l'étudiant :

• Une compréhension des formulations mathématiques de base (fonction linéaire, dérivée)

• Une compréhension de la représentation de données par des graphiques de différentes types

• Un certain pouvoir d'abstraction nécessaire pour la compréhension de logigrammes

• Une maitrise de l'élaboration d'un protocole expérimental pour les TP

• La maitrise des fonctions de base de Excel (formules et tracés de graphiques)

Structure - contenu

Le module est structuré comme suit :

Cours – 2h

Objectif : Donner les notions de base sans rentrer dans les détails des formulations mathématiques

• Introduction à l'IA

  • Définition

  • Histoire

  • Exemples d'utilisation dans divers domaines

• Notions de base de l'IA

  • Etapes clefs du machine learning

  • Problèmes de classification / régression

  • Apprentissage supervisé / non supervisé / renforcement

• Principaux algorithmes en IA

  • Régression (supervisée)

  • Classification (supervisée)

  • Classification (non supervisée)

  • Détection d'anomalie

  • Deep Learning : Réseaux de neurones

• L'IA dans l'industrie

TP1 – 6h – Utiliser des algorithmes d'IA

Objectif : Utiliser des algorithmes d'IA préentrainés pour effectuer différentes tâches courantes en entreprise

Ce TP aborde 4 cas d'utilisation différents dans lesquels on peut facilement avoir recours à l'utilisation d'une IA.

Structure du TP :

1. Cas 1 : Générer du code pour programmer une carte électronique

On utilise ici un LLM (Large Language Model) pour programmer une carte électronique Wio Terminal. Le point intéressant consiste à ne pas lire et modifier le code produit par le LLM, mais plutôt à apprendre à envoyer des informations pertinentes à l'IA via l'écriture de prompts clairs et précis.

• Afficher un message sur l’écran du Wio terminal

• Connecter un capteur (capteur de distance à ultrasons) et afficher la mesure sur l’écran

• Afficher les mesures au cours du temps sur un graphique

2. Cas 2 : Résoudre un problème de régression avec Excel

On propose dans cette partie de caractériser le capteur de distance à ultrasons utilisé précédemment, en comparant les mesures effectuées à des mesures effectuées avec un mètre ruban. Pour cela, on utilise une régression linéaire intégrée à Excel (la régression faisant partie des algorithmes d'IA), puis on reprogramme manuellement la régression linéaire pour bien faire apparaître la notion de fonction coût.

• Acquérir des mesures pour la caractérisation du capteur (protocole expérimental)

• Effectuer une régression linéaire avec une fonction intégrée à Excel

• Programmer une régression linéaire avec Excel (fonction coût, utilisation du solveur)

3. Cas 3 : Générer des macros Excel via du code VBA

On utilise ici un LLM (Large Language Model) pour automatiser des tâches à partir de Excel, en générant grâce à l'IA des macros VBA. En particulier, on s'intéresse à la génération et à l'archivage automatique d'un rapport d'essai standardisé concernant l'essai du capteur effectué en partie 2.

• Automatiser la génération d'un rapport (génération d'un pdf)

• Archiver automatiquement un rapport (formatage du nom, dossier d'archivage)

4. Cas 4 : Pour aller plus loin – générer une page web

On propose ici un projet en ouverture du TP, visant à utiliser des IA génératives diverses pour créer une page web présentant les résultats de l'essai précédent. On pourra entre autres :

• Créer la page web (en local) en générant des fichiers html et css avec un LLM

• Inclure des données issues du rapport généré en partie 3 à la page web

• Utiliser une IA générative pour créer une image d'illustration

• Générer une bande son avec une IA générative

• …

Matériel nécessaire :

• Un accès à un LLM (ChatGPT, plateforme vittasciences [8] ou autre)

• Une carte électronique Seeed Wio Terminal [9] (possibilité de travailler en groupes de 2 élèves)

• Un capteur à ultrasons avec connectique Grove [10] (1 par carte Wio Terminal) + câble

• Un mètre ruban (1 par carte Wio Terminal)

• Un ordinateur avec les logiciels Excel et Arduino IDE

• Optionnel : un support réalisé en impression 3D (1 par carte Wio Terminal)

TP2 – 6 à 8h – TinyML – IA embarquée

Objectif : Mettre en œuvre des algorithmes d'IA sur des dispositifs embarqués (microcontrôleurs) disposant de faibles ressources, d'une consommation d'énergie limitée et d'aucun accès à internet. Ce TP peut directement avoir des applications en maintenance prédictive par exemple.

Ce TP utilise la plateforme Edge Impulse spécialisée dans le TinyML. On utilise ici la version gratuite (limitée) de la plateforme pour acquérir, entrainer puis déployer des algorithmes d'IA. Successivement, on travaille avec un smartphone puis avec une carte électronique Wio Terminal. Le TP se termine au travers d'un projet d'ouverture.

Structure du TP :

1. TinyML - Introduction

2. Partie 1 : Déploiement sur un smartphone

   • Classification de mouvement :

     • Collecte des données avec un smartphone

     • Mise en forme des données

     • Choix d'un modèle

     • Apprentissage

     • Test du modèle

     • Ajustement des hyperparamètres

     • Inférence è Prédictions – Déploiement sur un smartphone sous forme de WebApp (en local – pas d'accès réseau nécessaire)

     • Pour aller plus loin : détection d'anomalie

   • Classification d'images

     • Collecte des données

     • Mise en forme des données

     • Choix d'un modèle

     • Apprentissage

     • Test du modèle

3. Partie 2 : Déploiement sur un microcontrôleur (Wio terminal)

   • Mise en place de la liaison Wio terminal – Edge Impulse

   • Elaboration d'un algorithme d'IA – Exemple – reconnaissance de mouvement

     • Collecte et traitement des données – création et test du modèle

     • Déploiement du modèle sur un microcontrôleur

• Pour aller plus loin : Projet dans un contexte industriel, au choix parmi les propositions :

  • Classification de modes de marche d'une machine à partir de vibrations + détection d'anomalie pour la maintenance prédictive.

  • Reconnaissance de son : Classification des modes de fonctionnement d'un système émettant du son (pompe, machine-outil…)

  • Comptage avec un capteur à ultrasons : Comptage des véhicules entrant / sortant d'une zone dans une entreprise.

  • Classification de substances : Test de la conformité à la norme de différents panneaux de particules de bois, concernant l'émission de formaldéhydes dans l'air.

Matériel nécessaire :

• Un smartphone avec accès à internet

• Un ordinateur avec accès à internet et avec le logiciel Arduino IDE

• Une carte électronique Seeed Wio Terminal [9] (possibilité de travailler en groupes de 2 élèves)

• Un capteur à ultrasons avec connectique Grove [10] (1 par carte Wio Terminal) + câble

• Optionnel pour le projet de fin de TP : d'autres capteurs (capteur de gaz grove [11] par exemple)