Utilisation des grands modèles de langage (LLM) et des modèles de fondation en ingénierie

À la fin de ce cours, vous serez en mesure de :

• Déterminer les usages pertinents des grands modèles de langage dans vos processus de travail en ingénierie

• Concevoir des requêtes efficaces pour la documentation technique, la programmation, le soutien à la simulation et l’extraction d’information

• Évaluer les résultats générés par l’IA en fonction de leur exactitude, de leur pertinence et de leur fiabilité technique

• Reconnaître les risques liés notamment à l’information désuète, aux biais, à la confidentialité et à la propriété intellectuelle

• Intégrer les grands modèles de langage à votre pratique tout en maintenant votre jugement professionnel et des méthodes de vérification appropriées

Description

Les grands modèles de langage peuvent soutenir de nombreuses tâches en ingénierie, mais leurs résultats peuvent être incomplets, inexacts ou mal adaptés au contexte technique dans lequel ils sont utilisés. Une utilisation responsable de ces outils va donc bien au-delà de la simple génération d’une réponse. Il faut savoir reconnaître les situations où leur utilisation est pertinente, fournir suffisamment de contexte, évaluer la qualité des résultats et déterminer quand une validation indépendante ou l’intervention d’un.e spécialiste est nécessaire.

Ce cours propose une démarche pratique pour intégrer les grands modèles de langage aux processus de travail en ingénierie. Vous apprendrez à structurer des requêtes efficaces et à utiliser ces outils pour appuyer la rédaction de documents techniques, les revues de conception, la programmation, la simulation, le dépannage et l’extraction d’information à partir de références techniques. Une attention particulière sera accordée au choix d’une utilisation de l’IA qui tient compte des exigences et des limites propres à la tâche d’ingénierie.

À l’aide de démonstrations et d’exercices pratiques, vous vous exercerez à formuler des requêtes, à examiner le contenu généré, à repérer les erreurs et à valider les résultats techniques. Vous serez ainsi mieux outillé.e pour déterminer où les grands modèles de langage peuvent apporter une contribution utile, reconnaître les situations où leur utilisation présente des risques inacceptables et les intégrer à votre travail sans compromettre l’exactitude, la confidentialité ni vos responsabilités professionnelles.

 Clientèle ciblée :
Ce cours s’adresse aux :

• Ingénieur.e.s qui souhaitent intégrer les grands modèles de langage à leurs processus de travail techniques

• Gestionnaires en ingénierie responsables d’évaluer ou d’introduire des pratiques faisant appel à l’IA

• Consultant.e.s techniques qui travaillent en analyse, en documentation ou en résolution de problèmes

• Technologues et technicien.ne.s en génie

• Chercheur.euse.s qui travaillent avec de la documentation, des données ou des publications techniques

• Professionnel.le.s techniques ayant une expérience limitée à intermédiaire de l’intelligence artificielle ou des grands modèles de langage

Module 1 : Introduction aux LLM et modèles de fondation (1h)

• Qu’est-ce qu’un modèle de fondation ? Qu’est-ce qu’un LLM ?

• Évolution : apprentissage automatique → deep learning → transformeurs → LLM.

• Concepts clés : tokens, embeddings, fenêtres de contexte.

• Panorama des modèles disponibles (GPT, Claude, Gemini, open-source comme Llama, Mistral).

• Applications en ingénierie : documentation, support à la conception, simulation, dépannage, planification de projet.

• Démonstration interactive : Demander à ChatGPT/Claude d’expliquer un concept d’ingénierie à différents niveaux (ex. : mécanique des fluides pour un enfant de 10 ans vs pour un doctorant).

Module 2 : LLM dans les flux de travail d’ingénierie (1h30)

Cas d’usage :

Rédaction de rapports techniques et normes.

• Aide à la programmation (MATLAB, Python, C++ pour simulations).

• Gestion des connaissances (résumés d’articles scientifiques, extraction de données de conception).

• Dépannage et Q&R sur des systèmes d’ingénierie.

• Génération de matériel de formation et de manuels de sécurité.

• Bases du prompt engineering : rôle, few-shot prompting, structuration de la pensée.

Exercice : Les participants créent des prompts pour :

• Générer une liste de contrôle de dépannage pour une pompe hydraulique.

• Résumer un résumé scientifique en 3 points.

• Traduire une procédure de sécurité en langage simple.

• Module 3 : Ateliers pratiques (2h)

Travail en groupes avec des outils LLM.

Atelier 1 – Documentation & automatisation :
Utiliser un LLM pour générer un modèle de rapport de projet ou une liste de contrôle de revue de conception.

Atelier 2 – Simulation & aide à la programmation :

• Utiliser un LLM pour :

• Écrire une fonction Python pour calculer les contraintes/déformations.

• Déboguer un script MATLAB de système de contrôle.

Atelier 3 – Extraction de connaissances :

• Charger un article scientifique ou un manuel → extraire les principaux paramètres de conception avec un LLM.
  

Module 4 : Limites, risques et fiabilité (1h)

• Limites : hallucinations, connaissances obsolètes, manque d’expertise métier.

• Biais & éthique dans la prise de décision en ingénierie.

• Validation et vérification : quand ne pas se fier au modèle.

• Confidentialité des données et propriété intellectuelle.

Exercice : Présenter un calcul erroné généré par un LLM. Les participants doivent identifier les erreurs et discuter des moyens de valider les résultats.

Module 5 : L’avenir des LLM en ingénierie (45 min)

• Intégration avec les logiciels d’ingénierie (CAO, outils de simulation).

• Assistants intelligents pour la conception, la maintenance et les opérations.

• Modèles multimodaux (texte + images + schémas).

• Agents autonomes dans les flux de travail d’ingénierie.

Discussion : « Quelle partie de votre travail d’ingénieur pourrait être réellement améliorée par un copilote IA ? »

Clôture & synthèse (30 min)