Explorer l’IA pour l’éducation destinée aux gouvernements et nos études de cas en Arabie saoudite et au Qatar
Avec l’avènement de l’IA, environ 70 pays (1) ont mis en œuvre ou ont commencé à mettre en œuvre une stratégie en matière d’IA. Ces stratégies tendent à affecter la plupart des administrations gouvernementales et, en particulier, les ministères de l’éducation. L’éducation elle-même n’a pas encore été affectée, et pourtant, ces nouvelles technologies offrent un potentiel énorme et l’opportunité pour les gouvernements de réaliser d’importants progrès, non seulement en offrant à leurs élèves la meilleure éducation possible, mais aussi en réduisant drastiquement la charge de travail de leur personnel administratif et enseignant.
Comme le montre l’image, l’intégration de l’IA dans les environnements éducatifs n’affecte pas seulement les élèves et les enseignants, mais joue également un rôle crucial dans la prise de décisions basées sur les données au niveau institutionnel et gouvernemental. Cela nécessite souvent l’intégration de systèmes intelligents qui collaborent pour maximiser les résultats.
Il est important de comprendre la différence entre un outil d’IA et un système alimenté par l’IA. Par exemple, ajouter un tuteur d’IA ou une expérience d’apprentissage personnalisée à une institution académique ne fait pas nécessairement d’elle un système alimenté par l’IA, tout comme ajouter une fonctionnalité de streaming au site Web d’une librairie ne la transforme pas en Netflix.
Ce qui libère la valeur des systèmes alimentés par l’IA, c’est la disponibilité de données centralisées provenant de diverses sources, combinée à des outils d’IA et des flux de travail automatisés. Par exemple, pour identifier les élèves à risque, il faudrait examiner en détail les évaluations psychologiques des élèves, leurs activités extrascolaires, leur vitesse d’apprentissage, leurs enseignants actuels, les politiques scolaires/gouvernementales et les systèmes de soutien existants (mentors, conseillers, agents d’IA, etc.), leurs notes, etc. Ce processus est chronophage pour les enseignants et, à l’exception de quelques écoles privées d’élite dans le monde, la plupart des écoles du système public n’ont pas les ressources nécessaires pour prendre des décisions éclairées pour chaque élève. Les ratios élèves-enseignants sont très élevés et, même lorsque les données sont disponibles, les enseignants n’ont ni l’énergie ni la motivation pour suivre chaque élève individuellement.
C’est ici que les systèmes basés sur l’IA entrent en jeu. Avec l’IA générative, ces systèmes pourraient intégrer toutes les données disponibles à l’échelle nationale et identifier en temps réel les élèves à risque. De plus, ils pourraient informer automatiquement les parties prenantes clés (administration, écoles, enseignants, et même familles) en générant automatiquement des courriels, des rapports sur les élèves et des interventions recommandées pour chaque acteur. Ceci est un exemple d’utilisation, mais ces systèmes alimentés par l’IA sont capables de bien plus : organiser les emplois du temps des classes, coordonner l’affectation des enseignants remplaçants au niveau gouvernemental, générer des cours personnalisés pour chaque classe ou fournir des conseils académiques et des recommandations sur le parcours éducatif et professionnel idéal, pour ne citer que quelques exemples. Ces systèmes alimentés par l’IA peuvent contribuer à garantir que le capital humain d’un pays (ses élèves à un moment donné) bénéficie des meilleures carrières académiques et options professionnelles possibles.
Parler des avantages et du potentiel de ces systèmes basés sur l’IA dans un court article ne leur rendra pas justice. Néanmoins, nous allons examiner certains des outils d’IA qui composent ce type de système. Plus précisément, nous analyserons les caractéristiques de l’IA générative utilisée dans un cours spécifique.
Les derniers outils d’IA générative peuvent être utilisés pour produire des notebooks Jupyter, des présentations PowerPoint, des rapports, des devoirs, des quiz, des examens, des vidéos, corriger des réponses ouvertes lors d’un examen, fournir des commentaires personnalisés, agir comme un tuteur IA, proposer des recommandations, et bien plus encore. Les enseignants n’ont plus à passer du temps à générer du contenu ou à évaluer chaque aspect des présentations des élèves, ce qui leur ferait gagner énormément de temps au quotidien.
Ces systèmes alimentés par l’IA ne rendent pas les enseignants obsolètes ou non pertinents dans le processus d’apprentissage. Les éducateurs resteront nécessaires pour offrir un soutien didactique et évaluer un large éventail de compétences que les systèmes basés sur l’IA ne peuvent pas analyser. Les enseignants demeurent également essentiels pour le développement émotionnel des apprenants. Pourtant, en ce qui concerne les lourdes tâches administratives que les enseignants doivent accomplir, y a-t-il quelque chose que l’IA ne puisse pas prendre en charge ?
Jetons un coup d’œil du côté des apprenants. Les services tels que l’apprentissage personnalisé/adaptatif, le tutorat alimenté par l’IA et la disponibilité continue d’une forme d’assistance sont essentiels pour les apprenants. De manière surprenante (malgré l’enthousiasme mondial autour de l’IA et l’inflation de tous les services associés), il existe de nombreuses stratégies relativement peu coûteuses pour mettre en œuvre ces technologies sans avoir recours aux grands modèles de langage (LLMs).
L’IA dans l’éducation à grande échelle : stratégies, phases et techniques d’optimisation.
Lors de la mise en œuvre de l’IA dans l’éducation au niveau gouvernemental, il est essentiel d’établir des stratégies et des phases pour familiariser l’écosystème avec cette technologie disruptive. Selon le gouvernement et l’entité concernée, il est conseillé de commencer par délimiter la portée du projet comme suit :
- Analyse approfondie du système éducatif : une analyse complète du système éducatif actuel est nécessaire pour identifier les domaines où l’IA peut apporter des bénéfices immédiats (« les gains faciles à atteindre »).
- Plan stratégique pour l’intégration de l’IA : à ce stade, une stratégie serait élaborée pour l’intégration de l’IA à plusieurs niveaux du système éducatif, du ministère aux écoles et universités locales.
- Implication des parties prenantes : il est essentiel d’impliquer tous les acteurs, y compris les enseignants, les administrateurs, les parents et les élèves, afin de répondre à leurs besoins et de faciliter une adoption fluide.
- Calendrier de transformation par l’IA et allocation budgétaire : un calendrier réaliste de transformation doit être établi pour l’ensemble du secteur éducatif, accompagné d’une planification budgétaire et d’une allocation précise des ressources à mobiliser.
- Plan de mise en œuvre : à cette étape, un plan de mise en œuvre clair est établi, précisant les rôles, les responsabilités et les étapes clés pour assurer une mise en œuvre et une adoption réussies.
- Renforcement des capacités exécutives et formation : il est essentiel d’organiser des sessions de formation spécifiques pour les niveaux exécutifs des administrations de l’éducation publique et les directeurs d’écoles afin de développer les compétences en leadership liées à la mise en œuvre de l’IA. L’objectif ultime est de s’assurer qu’ils soient en mesure de piloter les initiatives liées à l’IA au sein de leurs institutions.
- Cadre de suivi et d’évaluation : des indicateurs et des références sont établis pour évaluer périodiquement l’impact de l’intégration de l’IA et permettre les ajustements nécessaires.
Les résultats de la définition du périmètre d’un projet d’intégration de l’IA éducative se traduisent par :
- Une stratégie concrète d’IA pour l’éducation adaptée au niveau national.
- Un calendrier détaillé pour la transformation par l’IA avec une allocation budgétaire adaptée aux objectifs.
- Un plan de mise en œuvre clair avec des rôles et fonctions définis et des parties prenantes identifiées.
- Un leadership formé à l’IA pour l’éducation, capable de mener des initiatives.
- Des indicateurs de responsabilité pour assurer la mise en œuvre et l’adoption.
Les objectifs éducatifs et l’identification des besoins publics sont l’une des principales tâches des administrations. Toutefois, ceux-ci ne suffisent pas pour concevoir un plan de mise en œuvre de l’IA. Certains aspects, comme la formation et le réglage des systèmes basés sur l’IA, ont un impact si important sur les résultats qu’il est conseillé de confier l’élaboration du plan de mise en œuvre de l’IA, ainsi que sa direction technique, à des experts.
Montée en compétences des cadres dans les administrations éducatives
L’un des éléments essentiels pour la mise en œuvre réussie de l’IA dans l’éducation est la formation et le renforcement des capacités aux plus hauts niveaux de l’administration éducative.
Voici les éléments clés d’un programme de formation à l’IA pour l’éducation :
- Introduction à l’intelligence artificielle dans l’éducation.
- Culture de gestion des données.
- Numérisation de la législation éducative et préparation de formats permettant à l’IA d’extraire automatiquement les informations.
- Apprentissage personnalisé et adaptatif.
- Génération de plans d’unité, de plans de leçon et de fiches de tâches.
- Génération de devoirs, d’examens et de tests.
- Évaluation personnalisée et processus d’évaluation automatique.
- Suivi de l’éducation publique assisté par l’IA.
- Retours sur investissement de l’IA pour l’éducation (ce point doit être adapté à chaque pays ou région).
- Stratégie de déploiement et plan d’exécution (également adaptés à chaque pays).
- Évaluation et exigences en matière d’infrastructures :
- Évaluation et mesure de l’impact.
- Budgétisation et allocation des ressources.
- Assistance technique et résolution des problèmes.
- Maintenance et supervision des systèmes d’IA.
- Éthique, confidentialité et sécurité des données.
- Gestion du changement et développement professionnel continu pour les enseignants.
- Études de cas
La formation n’est pas identique pour toutes les parties impliquées. En fonction du rôle et des niveaux de responsabilité, chaque partie aura tendance à se concentrer sur différents modules de la liste.
Étude de cas : Arabie Saoudite
L'Arabie Saoudite a commencé à intégrer l’intelligence artificielle dans son système éducatif et, au cours de l’année dernière, LiveTech AI a collaboré étroitement avec l'Université KAUST et le Centre National d’Intelligence Artificielle pour faciliter un déploiement national de l’IA dans l’éducation publique.
L’un des premiers défis rencontrés a été l’analyse des manuels scolaires en langue arabe. L’arabe est considéré comme une langue à faibles ressources en termes d’IA. Une « langue à faibles ressources » est définie comme une langue pour laquelle peu de données sont disponibles pour entraîner des modèles d’intelligence artificielle. De nombreux modèles d’OCR rencontrent des difficultés pour traiter les manuels scolaires. La transformation des programmes arabes en formats assimilables et exploitables par l’IA constitue une étape cruciale dans l’éducation pilotée par l’IA.
Après plusieurs itérations, LiveTech a réussi à créer un système capable de traiter automatiquement les livres PDF, d’extraire les objectifs d’apprentissage, les problèmes pratiques (avec leurs illustrations), les leçons, les glossaires et les exemples, et de les présenter sous un format structuré.
Les résultats ont ensuite été utilisés pour créer des systèmes d'apprentissage personnalisés et adaptatifs, enrichis par l’IA générative pour produire des répertoires d'exercices pratiquement illimités. Ces activités offrent à chaque apprenant une vaste banque d'exercices pour pratiquer et répondre à tous les besoins qu'ils peuvent avoir.
L’IA générative a également été utilisée pour créer un tuteur en STEM, complété par des outils tels que Wolfram Alpha pour produire un guide montrant aux élèves comment résoudre les problèmes étape par étape, plutôt que de simplement leur donner les réponses.
D'autres outils demandés par les administrations saoudiennes, et développés dans le cadre de ce projet, comprenaient la génération de présentations PPTX et de plans de cours personnalisés basés sur la performance en classe et le programme. Cette personnalisation prend du temps, mais elle est importante. Lors de la préparation d’un projet pilote, il faut garder à l’esprit que ce qui est construit doit être scalable au niveau national. Cela signifie souvent que des propositions basées sur OpenAI ou d’autres APIs peuvent ne pas être durables en raison de leur coût élevé par élève.
Étude de cas : Qatar
D'autre part, le Qatar a adopté une stratégie différente en proposant une approche descendante plutôt qu'une approche ascendante. LiveTech AI collabore avec l'Academy de Qatar depuis 2023 pour exploiter le potentiel de l'IA et aider à l'étendre à l'échelle nationale. Dans ce projet, elle développe un outil intelligent qui agit comme une couche centralisatrice des nombreuses plateformes éducatives utilisées.
Cela permet aux éducateurs de prendre des décisions éclairées rapidement, ainsi que de consulter le statut éducatif de leurs élèves, d’identifier les élèves à risque et de générer des rapports.
Cette méthode permet l’utilisation de Génération augmentée par récupération (Génération augmentée par récupération) RAG, une technique qui permet de produire des modèles d'IA générative plus robustes en utilisant des données extraites de sources externes (dans ce cas, tout document lié ou produit dans le système éducatif). La génération améliorée par récupération permet d'effectuer des recherches intelligentes d'informations dans des bases de données à accès restreint.
Cette technique est complétée par des outils de génération automatique de graphiques, de rapports et de tableaux. Cela libère les enseignants, les administrateurs et potentiellement même des gouvernements entiers des tâches les plus fastidieuses liées à la gestion du système éducatif.
Alors que LiveTech AI fournit l'expertise technique, Qatar Academy apporte des éducateurs et des administrateurs expérimentés qui aident à concevoir le produit pour résoudre les principales faiblesses des écoles. Leur expertise provient directement de l'expérience vécue dans les processus d'enseignement et d'apprentissage sous différentes perspectives. Cela permet à LiveTech AI de personnaliser et de créer des fonctionnalités qui, dès le premier jour, sont adaptées aux enseignants et administrateurs des écoles, ce qui conduit à une amélioration des opérations et des résultats.
Nous pensons que cet effort collaboratif entre les spécialistes de l'industrie de l'IA et Qatar Academy a facilité la prise de décision lors des moments critiques du projet et constitue un bon modèle pour les projets futurs mettant en œuvre ces technologies.
Retour sur investissement de l’IA dans l’éducation dans le secteur public
En termes d'efficacité opérationnelle, l'IA peut facilement permettre aux enseignants d'économiser entre 25 et 30 % de leurs tâches quotidiennes, et encore plus dans le cas de la gestion de l'administration des ministères de l'éducation. Cependant, la question que toutes les administrations se posent probablement est : combien cela coûtera-t-il d'implémenter l'IA dans l'éducation à l'échelle nationale ?
En règle générale, nous avons constaté qu’un investissement inférieur à 0,5 % du budget d’un ministère de l’Éducation peut entraîner une augmentation de l’efficacité opérationnelle de plus de 25 % (une estimation très conservatrice).
Un abonnement ChatGPT coûte 20 $ par utilisateur et par mois, ce qui le rend excessivement cher pour l’éducation publique, malgré les efforts inlassables déployés ces dernières années pour réduire ce coût grâce à des procédures d’optimisation extrême et des modèles/ systèmes propriétaires. L’objectif à poursuivre est de rendre les déploiements de l’IA à l’échelle nationale abordables pour les pays moins riches. Actuellement, nous sommes proches de réduire le coût à quelques dollars (chiffres uniques) par utilisateur et par an. Bien sûr, ce prix variera en fonction des fonctionnalités activées et de l’infrastructure existante. Cette réduction significative ne sera possible que grâce à une combinaison unique d’optimisation du matériel et des logiciels, pour créer une solution d’IA entièrement intégrée à tous les niveaux du système éducatif.
À ce stade, nous allons essayer de répondre à la question : Pourquoi est-il si coûteux de déployer ces systèmes d'IA ?
Mise en œuvre de l’IA dans l’éducation
Pour faire fonctionner bon nombre des outils d'IA, des modèles de langage volumineux (LLMs) fonctionnant sur des unités de traitement graphique (GPU) sont nécessaires. Cette section montre comment calculer le nombre de GPU nécessaires pour faire fonctionner les outils d'IA requis pour un déploiement national.
Pourquoi les unités de traitement graphique (GPU) sont-elles importantes ?
Les unités de traitement graphique (GPU) sont des circuits électroniques dédiés à l'exécution d'un très grand nombre d'opérations mathématiques à grande vitesse. Les GPU exécutent de nombreuses demandes en parallèle, permettant un traitement des données plus rapide et augmentant la capacité des tâches, ce qui est crucial pour l’entraînement et l’inférence dans les modèles d’apprentissage profond. Cœurs multiples effectuer des calculs simultanément, garantissant une faible latence et une grande efficacité énergétique. Cette efficacité est cruciale pour les déploiements à grande échelle, car elle réduit les coûts et l'impact environnemental. Selon NVIDIA, les GPU sont 42 fois plus efficaces en énergie que les CPU (2) dans les tâches d'inférence en IA. Les modèles d'IA nécessitent de grands ensembles de données et une grande puissance de calcul, ce que les GPU fournissent efficacement pour l'entraînement et l'inférence en temps réel.
La capacité de la RAM des GPU, la VRAM (mémoire vive vidéo), est cruciale pour déterminer la taille des modèles et des ensembles de données qui peuvent être traités directement sur le GPU sans dépendre de la mémoire principale du système. Une plus grande capacité de mémoire permet de gérer des modèles plus volumineux de manière plus efficace, réduisant ainsi les transferts de données et améliorant les performances.
Les technologies de mémoire avancées telles que la HBM (Mémoire à Large Bande Passante) offrent des performances supérieures par watt, offrant jusqu’à trois fois la bande passante par rapport aux types de mémoire conventionnels, ce qui est essentiel dans des environnements à faible consommation d’énergie pour réduire les coûts d’exploitation et promouvoir la durabilité. Maximiser l’utilisation des GPU en optimisant la taille des lots et en exploitant les technologies de mémoire avancées améliore l’efficacité et les performances globales des systèmes accélérés par GPU, contribuant à améliorer le rendement et l’efficacité énergétique.
Maintenant que nous savons que la mémoire du GPU influence la taille du modèle et les ensembles de données utilisés, comment mesurons-nous les performances du GPU ?
Les performances du GPU sont mesurées en opérations à virgule flottante par seconde (FLOP). La précision, qui varie selon le nombre de bits utilisés, fait référence au niveau de précision numérique des calculs. Le nombre de bits utilisés détermine le degré de précision avec lequel une valeur peut être représentée : la double précision (64 bits) offre une grande précision numérique et une large gamme de valeurs, la précision simple (32 bits) équilibre la précision et l’utilisation de la mémoire, et la précision réduite (16 bits) fournit une précision inférieure avec des économies de mémoire significatives. Les opérations de multiplication et d'accumulation (MAC), courantes dans les multiplications de matrices, sont équivalentes à 2 FLOP chacune. Les modèles d'apprentissage automatique sont composés de couches qui réalisent des opérations telles que des multiplications de matrices et des convolutions. Ils s'appuient sur les FLOP pour mesurer les besoins de calcul et l'efficacité, ce qui est crucial pour l'optimisation des performances et la planification du déploiement du matériel.
Voici une formule pour calculer les FLOP/s du GPU :
GPU FLOP/s = clock_frequency x cores x FLOPS_per_clock_cycle x float_point_accuracy
Considérations importantes
Il est important de prendre en compte les aspects suivants lors de la planification des besoins en calcul :
- Théorique par rapport à la performance réelle : Le FLOP/s réel peut être inférieur à celui calculé en raison des variations de la fréquence d'horloge (nombre de cycles que le processeur exécute par seconde) et de l'efficacité opérationnelle.
- Variabilité des opérations Le nombre d'opérations à virgule flottante par cycle d'horloge peut varier en fonction du type d'opération.
Temps d'inférence
Support des frameworks et des bibliothèques Des outils tels que le CUDA Toolkit de NVIDIA et cuDNN offrent différentes API pour aider à l'analyse des performances et à l'estimation des FLOP/s du GPU.
Calcul du temps d'inférence : Le temps d'inférence peut être déterminé par la formule :
Inference time = (FLOPS of the model) / (FLOPS/s of the GPU)
Calcul du nombre de GPUs nécessaires
Maintenant que nous savons comment obtenir le temps de traitement en fonction de la taille du modèle (c'est-à-dire les FLOPS du modèle), nous pouvons rapidement calculer le nombre de GPUs nécessaires pour le déploiement de l'IA dans un système éducatif national. Cela dépend des 6 critères suivants :
- Taille et complexité du modèle Les modèles plus grands et plus complexes nécessitent plus de puissance de calcul.
- Concurrence des utilisateurs Le nombre d'utilisateurs interagissant avec l'IA simultanément.
- Fréquence des demandes Le nombre de demandes effectuées par chaque utilisateur par minute.
- Exigences de latence Le délai acceptable entre la demande de l'utilisateur et la réponse de l'IA.
- Traitement par lots vs. traitement en temps réel Que les tâches de l'IA soient traitées par lots ou nécessitent un traitement en temps réel.
- Spécifications de la GPU Les caractéristiques de performance des GPU utilisés.
Le nombre total de GPU est calculé comme suit :
Concurrent_users×Petitions_per_user_per_Minute×Average_processing_time_per_request (in seconds)
Capacité du GPU (requêtes/seconde)
Le numérateur indique la demande totale de traitement en requêtes par seconde. Il peut ensuite être divisé par la capacité du GPU (requêtes par seconde) pour déterminer le nombre de GPU nécessaires.
Le temps moyen de traitement par requête peut être calculé en divisant les FLOPs du modèle par les FLOPs par seconde (FLOP/s) du GPU, comme indiqué ci-dessus.
Avec ces informations, toute administration éducative sera en mesure d'estimer ses propres besoins en fonction de la taille du modèle qu'elle prévoit d'utiliser et des exigences de son pays.
Conclusion
L'implémentation de l'IA dans l'éducation au niveau national nécessite une stratégie qui englobe le renforcement des compétences, ainsi que l'infrastructure logicielle et matérielle. Nous avons abordé les quatre catégories essentielles et résumé les exigences qui affectent toutes les administrations éducatives. La mise en œuvre de systèmes alimentés par l'IA a un potentiel de rendements considérables sur l'investissement et peut améliorer de manière significative non seulement l'efficacité opérationnelle, mais aussi les résultats pour les administrateurs, les éducateurs et les apprenants.
Les possibilités d'utilisation responsable de l'IA dans l'éducation ne devraient pas être réservées uniquement aux étudiants disposant de plus de ressources. Dans cet article, nous avons essayé de montrer quelles variables doivent être prises en compte pour permettre aux systèmes publics de réaliser une transformation profonde de l'éducation.
Le défi est considérable mais gérable. Dans un contexte tel que celui actuel, où de nombreux récits autour de l'utilisation et des possibilités de l'IA promeuvent des visions exclusives qui amplifient les divisions numériques et économiques, cet article plaide pour une amélioration urgente mais, selon nous, réaliste des systèmes éducatifs.
Nous croyons que les risques de manquer ces opportunités sont plus grands que les gains dans une Ibero-Amérique qui doit à tout prix récupérer les leçons apprises et devenir un modèle de prospérité et de productivité.
Références
- OECD (2024). National AI policies and strategies. Retrieved from https://oecd.ai/en/dashboards/overview.
- Harris, D. (2023). “What’s Up? Watts Down – More Science, Less Energy”.
- Extrait de GPUs Lead in Energy Efficiency, DoE Center Says | NVIDIA Blogs