Concevoir pour vous-même

Lorsque nous concevons quelque chose de nos jours, il est utile de penser à qui nous concevons cela. L'idée de concevoir un produit ou un service pour le bénéfice d’un autre être humain existe depuis longtemps, mais ce n'est que dans le 20e siècle qu’elle est devenue une discipline fondamentale de la conception centrée sur l'humain. Cette idée a évolué pour être adaptable à tous les types d'humains et, au-delà, à toutes les espèces de cette planète. Lorsque vous pensez à apprendre à utiliser un outil d'IA générative, vous devez prendre en compte votre propre expérience humaine. Cela inclut également où vous apprenez, les conditions qui vous entourent, vos propres motivations, vos objectifs, comment vous intégrerez l'apprentissage dans les tâches que vous devez accomplir, comment cela affectera l'environnement dans lequel vous évoluez, comment l'apprentissage impliquera d'autres personnes dans votre processus en tant que mentors, ou comment vous mentorerez d'autres personnes.

Concevoir pour des environnements de travail sociaux

La Zone de Développement Proximal (ZDP), proposée par Lev Vygotsky, mérite d’être connue. Elle se concentre sur la différence entre ce qu'une personne peut faire sans aide et ce qu'elle peut accomplir avec des conseils. Sa théorie met l'accent sur l'importance des interactions sociales dans l'apprentissage et sur le rôle des personnes plus expérimentées pour faciliter le développement d'un individu. Cette approche encourage les concepteurs d'apprentissage à créer des environnements d'apprentissage qui favorisent l'apprentissage collaboratif et l'encadrement de l'enseignement pour aider les autres à atteindre leur potentiel. Concevoir le type d'apprentissage avec l'IA que vous initiez au travail vous aidera à élaborer un plan, et cela vous aidera à atteindre certains objectifs que vous souhaiterez définir. Cette conception inclut toutes les personnes dans l'organisation à laquelle vous appartenez et leur rôle dans le soutien du processus.

Conception de l'apprentissage

Ceux qui conçoivent l'apprentissage portent de nombreux noms, tels que des concepteurs pédagogiques, des concepteurs de l'apprentissage, des concepteurs d'enseignement, etc. Ils sont employés par différentes organisations, y compris des institutions académiques, pour concevoir la manière dont l'enseignement sera dispensé à d'autres. Les grandes entreprises font de même. Chaque entreprise a un certain processus d'intégration pour les employés nouvellement recrutés. Une partie de cette intégration consiste à lire des documents et à se mettre à jour sur les valeurs, la mission, la proposition de valeur, les produits, les parties prenantes et les clients de l'entreprise. Il y a des enseignements clés que nous pouvons tirer de ceux qui conçoivent l'enseignement et l'apprentissage dans des environnements professionnels et académiques. Nous pouvons ensuite appliquer ces méthodes de conception de l'apprentissage à la manière dont nous apprenons avec l'IA générative.

L'influence de la guerre et de Skinner

Les concepteurs d'apprentissage dans les environnements de travail prennent souvent en compte plusieurs facteurs clés lorsqu'ils conçoivent l'apprentissage pour d'autres humains. Les origines de la conception pédagogique remontent à la Seconde Guerre mondiale. À cette époque, l'armée américaine avait besoin de former rapidement un grand nombre de personnes pour des tâches diverses et complexes, comme le démontage d'un fusil carabine ou la construction d'avions jamais vus auparavant. En utilisant les théories d'apprentissage stimulus-réponse de B. F. Skinner, les programmes de formation se concentraient sur les comportements observables, en décomposant les tâches en sous-tâches, chacune traitée comme un objectif d'apprentissage distinct. Ainsi, les progrès étaient facilement mesurables, et les sous-tâches étaient bien définies et identiques pour chaque personne. La performance correcte était récompensée, et la performance incorrecte était corrigée, avec la croyance que la maîtrise était possible pour chaque apprenant, à condition d'avoir suffisamment de répétition et de retours. Le succès de ce modèle de formation en temps de guerre a ensuite été appliqué dans les affaires, la formation industrielle et, dans une moindre mesure, dans l'éducation primaire et secondaire. Bien sûr, cela date d'une époque lointaine, et la pression pour enseigner à tout le monde la même chose a évolué. Toutefois, les premières idées et méthodes de conception pédagogique qui ont infiltré la plupart des institutions académiques sont toujours présentes. Nous pouvons encore extraire certains éléments importants des méthodes de conception pédagogique anciennes et les appliquer à la manière dont vous concevez l'apprentissage avec l'IA générative au travail.

Objectifs d'apprentissage

Des objectifs d'apprentissage clairement définis sont essentiels, car ils vous aident à identifier ce que vous devez apprendre et à vous engager dans ce que vous souhaitez apprendre. Ces objectifs doivent être alignés avec vos objectifs individuels et d'équipe ainsi qu'avec les compétences ou connaissances spécifiques que vous devez acquérir. Vos objectifs d'apprentissage concernant l'IA générative peuvent être nombreux. En voici quelques exemples :

  • Comprendre les bases : Définir ce qu'est l'IA générative, comment les outils que vous utiliserez fonctionnent et décrire leurs principales fonctionnalités et limitations.
  • Identifier les opportunités : Identifier au moins trois processus ou tâches dans votre flux de travail actuel où l'IA générative pourrait être appliquée pour augmenter x, où x représente des critères que vous définissez comme la créativité, les maquettes, les prototypes en début de processus, les idées, l'inspiration, les planches d'inspiration, ou même l'efficacité.
  • Sélectionner les outils : Évaluer et sélectionner les outils d'IA générative appropriés et comment ils peuvent soutenir les processus établis qui correspondent aux besoins et objectifs spécifiques de votre équipe ou organisation.
  • Acquérir des compétences : Démontrer la capacité à utiliser couramment les outils d'IA générative sélectionnés pour des tâches spécifiées, y compris l'utilisation de commandes de base et la capacité à exploiter des fonctionnalités personnalisables, comme la température, le poids, le masquage, la substitution et l'amélioration des requêtes.
  • Appliquer les outils : Appliquer les outils d'IA générative à au moins deux tâches quotidiennes, en documentant le processus et les résultats. Fixer une limite de temps pour leur utilisation afin de les comparer à l'accomplissement des tâches avant l'utilisation de l'IA.

Ces objectifs d'apprentissage ne sont qu'un point de départ pour vous guider dans votre parcours avec l'IA générative.

Stratégies pédagogiques
Les façons dont les individus apprennent varient largement, et l’introduction de méthodes différentes pour enseigner à des personnes ayant des modes d'apprentissage divers et pour une grande variété de sujets est stratégique. Les stratégies pédagogiques ne sont pas les mêmes pour toutes les disciplines ni pour toutes les personnes. Par exemple, bien qu'il soit possible d'enseigner différentes techniques de pinceau à un groupe d’élèves, la façon dont cette technique est appliquée sera très différente. Il peut être relativement simple pour un artiste expérimenté d’évaluer la technique d’un élève en fonction de son intention et des résultats obtenus, mais il est plus difficile d’évaluer quand cette technique a été sacrifiée pour créer quelque chose d’unique qui a défié l’artiste débutant à tenir le pinceau différemment. Choisir les bonnes stratégies pédagogiques est un élément clé de la conception de tout enseignement. Pour les enseignants d’aujourd’hui, cela peut inclure un mélange d'apprentissage interactif en ligne, de facilitation de discussions, d'activités pratiques, d'enseignements magistraux traditionnels basés sur le contenu et les objectifs d’apprentissage, de démonstrations, et bien plus encore. En matière d’apprentissage avec l'IA générative, vous pouvez concevoir la manière dont vous souhaitez apprendre avec la technologie avec un peu de planification. Par exemple, si vous préférez apprendre via un chatbot conversationnel, vous pouvez facilement en personnaliser un et le transformer en une sorte de mentor IA parlant. Peut-être que cette approche est efficace en combinaison avec des vidéos YouTube et des publications de recherche accompagnant l'apprentissage d'un sujet ou d'un flux de travail particulier. Vous pouvez aussi vouloir explorer différents types de canaux sociaux pour vous aider à décider quel outil génératif texte-image utiliser. Peut-être que votre approche est d’essayer au moins six d’entre eux et de comparer les résultats du contenu généré en utilisant des invites similaires. Les stratégies vous aident à réaliser vos objectifs et, dans le cas de l’IA générative, elles sont une motivation importante compte tenu du nombre vertigineux d'outils disponibles, un nombre qui ne cesse de croître chaque jour.

Intégration de la technologie
L'apprentissage de la façon de travailler avec l'IA générative dépendra des autres technologies à votre disposition. Vous devrez peut-être mettre à jour votre configuration technologique en fonction de la complexité du système d'IA générative que vous souhaitez apprendre à utiliser et à intégrer dans vos flux de travail. Si vous choisissez d’acheter, personnaliser et installer vos propres modèles d'apprentissage automatique (ML) sur votre propre PC, de nombreuses choses seront nécessaires à apprendre avant même de pouvoir commencer à les utiliser. Si vous choisissez un Mac, cela fonctionne également, mais vous serez limité par les types de modèles ML que vous pouvez installer. Dans les deux cas, vous aurez besoin des derniers processeurs (CPU) et unités de traitement graphique (GPU) pour exécuter des inférences sur les modèles les plus récents.

Évaluation et retour d’information
Lorsque vous souhaitez recevoir des retours, vous devez savoir sur quoi vous voulez être évalué. Ces critères sont liés à ce que vous apprenez et peuvent directement découler de vos objectifs d'apprentissage initiaux. Par exemple, si vous voulez "comprendre les bases du fonctionnement d'un LLM", vous devez d'abord identifier ce que sont ces bases. Cela peut inclure les meilleures façons d'inviter l'IA, l’invitation en chaîne, le raisonnement logique, etc. Une fois que vous avez les critères, il vous revient de décider si vous attribuez des notes à l’un d’eux pour évaluer vos progrès. Les critères combinés forment votre grille d'évaluation. Les grilles d’évaluation n’ont pas besoin d’avoir des équivalents numériques. Concevoir votre propre évaluation signifie aussi que vous pouvez définir ce que cela signifie atteindre les objectifs identifiés dans vos objectifs d’apprentissage. Au-delà des termes « excellent, bon, satisfaisant et mauvais », vous pouvez créer vos propres protocoles d'évaluation significatifs et utiliser un LLM pour vous aider à les réaliser. Concevoir des évaluations efficaces permettant de fournir des retours en temps utile vous aidera également à identifier les domaines nécessitant des améliorations. Enfin, envisagez d’impliquer d’autres collègues dans le cycle d’évaluation et de retours. C’est particulièrement important si vous essayez d’évaluer le contenu généré par un outil spécifique, domaine d'expertise d’un membre de votre équipe. Par exemple, vous pouvez vouloir créer un pitch deck pour proposer un nouveau projet en interne, et vous avez appris que vous pouvez utiliser un LLM combiné avec un générateur d’IA de présentation, comme Gamma. Bien que vous puissiez assembler un deck plus rapidement, vous bénéficierez d'envoyer le résultat à un collègue expérimenté dans la présentation d’idées pour obtenir des retours. Lorsque vous apprenez à tirer le meilleur parti de tout outil d’IA générative, peu importe la qualité que vous pensez que le contenu ait, vous bénéficierez toujours de l’avoir fait examiner par une personne compétente en création de contenu, en structure grammaticale et en esthétique globale.

Accessibilité et inclusion
L’aventure consistant à trouver des outils d'IA générative pouvant répondre à des besoins d'apprentissage divers et variés, tout en soutenant les personnes en situation de handicap, est un défi. L’accès est une chose, mais l’accessibilité en est une autre. Ce sont deux problèmes qui doivent être résolus lorsque vous pensez à concevoir votre propre apprentissage ou celui des autres. Sans portails d'accès plus larges, la plupart des personnes intéressées ne pourront accéder qu’aux versions gratuites, qui tendent à offrir moins de fonctionnalités et sont peu accessibles. Ces versions gratuites sont, en retour, limitées dans ce que vous pouvez en faire. Quelle que soit la version gratuite ou payante que vous ou votre organisation êtes prêts à financer, la difficulté réside dans le fait que ces outils sont encore des machines génératrices de biais. Comme cela sera abordé plus en détail au chapitre 11, les courbes de probabilité garantissent presque que les voix qui divergent de la "norme" seront probablement exclues du contenu généré, à moins que vous ne demandiez délibérément à l’IA d'inclure ces voix. Dès que vous commencez à concevoir votre parcours d'apprentissage avec l'IA générative, vous devez donc supposer qu'une partie du contenu généré sera problématique. Vous pouvez supposer en toute sécurité que, en plus de concevoir la manière dont vous intégrez n'importe quel outil d'IA générative dans vos flux de travail, vous devez également concevoir le type de modification, de raffinement et, dans certains cas, d’abandon complet du contenu généré.

Scalabilité et flexibilité
La formation que vous entreprenez doit être scalable afin que vous puissiez apprendre à maîtriser plus d’un système d’IA générative au fil du temps. Cela sera à votre avantage, car le nombre de systèmes disponibles croît chaque semaine, et leurs performances sont très différentes : texte, image, code, vidéo, animation, présentation, modèles 3D, etc. Chaque jour, de nouveaux systèmes apparaissent et vous constaterez qu'en maîtrisant l'un d'entre eux, les autres deviennent plus faciles à apprendre ou, au moins, à comprendre. Ce qui semble connecter tous ces systèmes, c’est la capacité à maîtriser les invites. Cependant, l'invitation sera différente en fonction du système, même lorsque vous invitez différents LLMs. Plus vous vous plongez dans l'installation et la personnalisation de vos propres modèles d'apprentissage automatique privés, plus vous disposerez de "boutons" et de "curseurs" permettant de régler des paramètres tels que l'attention, le poids, la température, la variance, le style, etc.

Formation en gestion de l'apprentissage interne
Les concepteurs de l’apprentissage doivent souvent réfléchir à la manière d’introduire de nouveaux programmes d'apprentissage au sein de l'organisation à laquelle ils appartiennent et gérer le changement efficacement, en assurant l’adhésion de toutes les parties prenantes. Une fois que vous commencez à augmenter le nombre d’heures nécessaires pour maîtriser les outils que vous souhaitez utiliser, vous devrez envoyer une demande de permission à vos responsables, accompagnée d’une proposition décrivant comment vous comptez procéder. Ils devront probablement aussi obtenir l’approbation ou la confirmation de la direction. Veillez donc à préparer cette probabilité. Ces considérations aident à garantir que les programmes d'apprentissage que vous concevez se réalisent vraiment et que vous serez responsable du partage des résultats de vos efforts. Cela bénéficie non seulement à vous, mais à l’organisation dans son ensemble, en particulier si l’apprentissage des outils d'IA générative est aligné sur les besoins stratégiques de l'organisation.

Appliquer les outils de Design Thinking à votre apprentissage

Lorsque vous pensez à la conception, la tendance est de concevoir pour les autres. Mais, dans la conception de l'apprentissage, il est moins évident de comprendre vos propres motivations, sans parler de celles des autres. Pour mieux cerner vos motivations dans l’utilisation de l'IA générative et potentiellement mieux comprendre celles de vos pairs, il est utile d'appliquer la méthode des 5 Pourquoi. Cette méthode est souvent utilisée dans le Design Thinking pour explorer la cause profonde d’un problème en posant cinq fois de suite la question « Pourquoi ? ». Adoptez l'esprit curieux d'un enfant avec cette méthode, afin d'interroger les motivations sous-jacentes de votre propre utilisation de la technologie. Vous pouvez également l'appliquer à tout problème de conception pour mieux comprendre pourquoi des systèmes intelligents ont été développés.

Vous pouvez utiliser de manière itérative la méthode des 5 Pourquoi avec un modèle de langage. Par exemple, vous pourriez l’appliquer pour comprendre pourquoi Alan Turing a dû collaborer avec d'autres pour déchiffrer les codes allemands pendant la Seconde Guerre mondiale. Voici comment utiliser cette méthode avec un modèle de langage tout en résolvant un problème :

WhyBot V.1

  • Pourquoi Turing a-t-il dû travailler avec d'autres pour déchiffrer le code allemand ?
    Parce que le déchiffrement du code allemand était une tâche complexe et de grande envergure.

  • Pourquoi le déchiffrement du code allemand était-il complexe et vaste ?
    Parce que les Allemands utilisaient des méthodes de cryptage avancées comme la machine Enigma, qui comportait de nombreux réglages et permutations.

  • Pourquoi la machine Enigma avait-elle de nombreux réglages et permutations ?
    Parce que la machine Enigma était conçue pour créer des communications hautement sécurisées, rendant son décryptage extrêmement difficile sans connaître les réglages spécifiques pour chaque message.

  • Pourquoi le design de la machine Enigma rendait-il le décryptage extrêmement difficile ?
    Parce qu'elle utilisait un système de rotors rotatifs et de réglages de tableau de connexions qui changeaient chaque jour, créant des millions de configurations possibles.

  • Pourquoi les rotors rotatifs et les réglages de tableau changeants chaque jour créaient-ils des millions de configurations possibles ?
    Parce que les Allemands voulaient garantir que leurs communications militaires soient sécurisées et indéchiffrables par leurs ennemis, nécessitant un effort collaboratif pour casser le code et suivre les changements quotidiens.

Résumé de la cause racine :
La cause profonde de la nécessité de Turing de travailler avec d'autres pour déchiffrer le code allemand réside dans le design intentionnel de la machine Enigma pour créer des cryptages hautement sécurisés et complexes. L'effort collaboratif était nécessaire pour gérer la charge de travail immense en calculs et en analyses, déchiffrer les codes, gérer les nombreuses permutations et développer des techniques et des machines (comme la bombe) pour automatiser une partie du processus de décryptage. Cela nécessitait une équipe multidisciplinaire avec des expertises et des ressources diversifiées, ce qui ne pouvait être accompli par une seule personne.

Commentaires humains :
Pour utiliser un outil correctement, vous avez besoin de pratique. Les concepteurs familiers avec l’activité se demanderaient probablement si les 5 Pourquoi ont réellement permis d’atteindre la cause racine du problème. La version brute ci-dessus a été générée par un modèle de langage, y compris les invites elles-mêmes. Elle a suivi un chemin logique et a bien identifié la cause racine expliquant pourquoi Turing et ses collègues ont voulu inventer la machine Enigma. Nous pouvons tous comprendre les motivations à un niveau de surface : casser le code et déchiffrer les communications militaires allemandes. Bien qu'il existe plusieurs chemins possibles dans cet exercice particulier, il est important d'évaluer les résultats et de peaufiner la prochaine version en ajustant ce sur quoi le modèle de langage se concentre dans l'invite.

WhyBot V.2

  • Pourquoi Turing et ses collègues devaient-ils déchiffrer le code allemand ?
    Parce qu'en comprenant le code, ils pouvaient prendre une longueur d'avance sur ce que les Allemands faisaient pour gagner la guerre.

  • Pourquoi devaient-ils prendre une longueur d'avance sur ce que faisaient les Allemands pour gagner la guerre ?
    Parce qu'en prenant cette longueur d'avance, les Alliés pouvaient anticiper les stratégies militaires allemandes et prévenir efficacement leurs attaques.

  • Pourquoi anticiper les stratégies militaires allemandes et prévenir leurs attaques était-il important ?
    Parce que cela permettait aux Alliés de protéger leurs propres forces, ressources et populations civiles, et de mener des contre-attaques réussies.

  • Pourquoi était-il impératif de protéger leurs propres forces, ressources et populations civiles et de mener des contre-attaques réussies ?
    Parce que cela affaiblirait l'effort de guerre allemand, réduirait la durée globale de la guerre et augmenterait les chances d'une victoire alliée.

  • Pourquoi affaiblir l'effort de guerre allemand, réduire la durée de la guerre et augmenter les chances d'une victoire alliée étaient-ils essentiels ?
    Parce qu'une victoire alliée était nécessaire pour stopper la propagation de l'idéologie nazie, restaurer la paix et la stabilité en Europe, et prévenir de nouvelles atrocités commises par les puissances de l'Axe.

Résumé de la cause racine :
La cause profonde de la nécessité pour Turing et ses collègues de déchiffrer le code allemand est que cela était essentiel pour prendre une longueur d'avance sur les stratégies militaires allemandes, ce qui permettait de protéger les forces et populations alliées, de mener des contre-attaques efficaces, d'affaiblir l'effort de guerre allemand et, finalement, d'assurer une victoire alliée afin de restaurer la paix et prévenir de nouvelles atrocités. Cet objectif global nécessitait la collaboration de Turing et de nombreux autres, en utilisant des expertises et des ressources diversifiées pour accomplir la tâche complexe du décryptage.

Commentaires humains :
Comme prévu, lorsque vous guidez soigneusement un modèle de langage pour utiliser un outil de Design Thinking comme les 5 Pourquoi, vous bénéficiez d'une évaluation persistante de ce qui est généré. Les résultats de la deuxième version indiquent également une expérience de l'utilisation des 5 Pourquoi, ce qui montre l'importance de l'humain dans le processus lorsqu’on interagit avec une IA générative. Bien que beaucoup considèrent l'IA générative comme une page blanche, il en va autrement pour vous. Interagir avec une IA générative de cette manière nous enseigne également à valoriser nos propres connaissances et expériences.

Comprendre vos motivations pour repenser votre apprentissage

Vous pouvez utiliser le même outil de Design Thinking pour comprendre la cause profonde de votre désir d'apprendre l'IA générative. Comprendre cela aura un impact direct sur la façon dont vous concevez votre apprentissage.

WhyBot

  • Pourquoi voulez-vous reprogrammer la manière dont vous apprenez ?
    Parce que les méthodes d'apprentissage actuelles ne sont pas aussi efficaces ou satisfaisantes que vous le souhaiteriez.

  • Pourquoi les méthodes d'apprentissage actuelles ne sont-elles pas aussi efficaces ou satisfaisantes ?
    Parce qu'elles ne correspondent pas à votre style d'apprentissage, à vos objectifs ou à vos intérêts, ce qui conduit à un manque d'engagement ou à une mauvaise rétention de l'information.

  • Pourquoi les méthodes d'apprentissage actuelles ne correspondent-elles pas à votre style d'apprentissage, à vos objectifs ou à vos intérêts ?
    Parce que les méthodes traditionnelles suivent souvent une approche uniforme qui ne prend pas en compte les différences individuelles dans la manière dont les gens absorbent et traitent l'information.

  • Pourquoi l'approche uniforme ne prend-elle pas en compte les différences individuelles ?
    Parce que les systèmes éducatifs et les ressources sont généralement conçus pour un enseignement de masse, priorisant l'efficacité et la standardisation plutôt que la personnalisation.

  • Pourquoi les systèmes éducatifs et les ressources sont-ils conçus pour un enseignement de masse, en privilégiant l'efficacité et la standardisation ?
    Parce que, historiquement, l'éducation a été structurée pour accueillir de grands groupes d'apprenants avec des ressources limitées, entraînant une concentration sur des méthodes d'enseignement uniformes et des programmes standardisés.

Cause racine :
La cause profonde de votre désir de reprogrammer la manière dont vous apprenez réside dans le fait que les méthodes d'apprentissage traditionnelles, conçues pour l'enseignement de masse et l'efficacité, échouent souvent à s'aligner avec les styles d'apprentissage, objectifs et intérêts individuels. Cette inadéquation peut entraîner un manque d'engagement et une mauvaise rétention des informations. En reprogrammant votre apprentissage, vous pouvez créer une expérience d'apprentissage plus personnalisée et efficace, mieux adaptée à vos besoins et préférences uniques, ce qui conduit à plus de satisfaction et de succès dans vos efforts d'apprentissage.

Commentaires humains :
Prendre conscience de vos propres motivations à apprendre les différents outils de l'IA générative soutiendra et renforcera votre façon d'apprendre. Par exemple, si vous souhaitez apprendre à utiliser efficacement Runway 3, il vous faudra probablement aussi apprendre à utiliser Midjourney ou un autre outil d'IA générative texte-image, car les usages les plus efficaces de Runway sont souvent liés à des invites combinées avec des images. Pour améliorer la manière dont vous interagissez avec Runway et Midjourney, vous devrez maîtriser les types d'invites qui amélioreront la génération de ces IA.

Modifié le: mercredi 1 janvier 2025, 17:45