Hoja de repaso: Comprendre la révolution numérique et ses enjeux

📋 Plan du Cours

1. Omniprésence et fatigue informationnelle
2. Évolution du Web
3. Intelligences artificielles génératives
4. Big Data et data literacy

📖 1. Omniprésence et fatigue informationnelle

🔑 Notions clés & Définitions

• Fatigue informationnelle : Une fatigue cognitive liée à une exposition continue à trop d’informations, ce qui nuit à la qualité de l’attention et du jugement.
• Information choisie : Une information sélectionnée activement plutôt que subie, pour mieux correspondre au besoin réel et améliorer la pertinence.
• Veille informationnelle : Une pratique de suivi des informations pour repérer des évolutions, notamment dans un contexte de concurrence.
• Médias multilinguistiques : Un ensemble de médias qui diffusent des contenus dans plusieurs langues afin d’atteindre des publics différents.

📝 Points essentiels

• La logique de la fatigue informationnelle oppose une moindre quantité d’information et une meilleure information, via la sélection plutôt que la réception subie.
• La globalisation touche aussi les informations via des flux économiques, scientifiques et techniques, et médiatiques.
• Les informations économiques incluent des flux internes d’entreprises transnationales et la veille des concurrents étrangers.
• Les informations scientifiques et techniques couvrent l’Open Access, l’Open Research Data et l’Open Source.
• Les informations médiatiques incluent des médias multilinguistiques et des interventions d’acteurs humains et non humains (bots, trolls).

💡 Astuce mémo

Choisis avant de subir : moins d’infos, mais plus pertinentes pour éviter la fatigue.

📖 2. Évolution du Web

🔑 Notions clés & Définitions

• World Wide Web : Le système inventé par Tim Berners-Lee qui organise et rend possible la consultation du contenu sur le Web.
• Web 2.0 : Une phase du Web centrée sur des utilisateurs devenant participants actifs qui publient, commentent et partagent des contenus.
• Web 3.0 : Une évolution du Web visant l’interconnexion et la compréhension des données par les machines, avec des données ouvertes et interopérables.
• Internet des objets : Un réseau où des objets connectés produisent et échangent des données.

📝 Points essentiels

• Les origines citées incluent la DARPA dans les années 1960, puis le courrier électronique et les échanges de fichiers dans les années 1980.
• Le Web 1.0 correspond à un espace de consultation et d’interactivité.
• L’éclatement de la bulle Internet est situé en 2000–2001, puis une vague « Web 2.0 » démarre à partir de 2004.
• Le Web 3.0 (années 2010) repose sur l’interconnexion de données et l’interprétation par les machines, avec un exemple du type « Paris — est la capitale de — la France ».
• Le Web 3.0 (à partir de 2021) est présenté comme décentralisé via la blockchain afin de limiter la concentration des services chez quelques géants.

💡 Astuce mémo

Web 1 = lire, Web 2 = participer, Web 3 = relier et comprendre, puis 2021 = décentraliser.

📖 3. Intelligences artificielles génératives

🔑 Notions clés & Définitions

• Intelligence artificielle : Une discipline qui construit des machines capables de réaliser et automatiser des tâches habituellement associées à l’intelligence humaine.
• Algorithme : Un ensemble d’instructions permettant de résoudre un problème en un nombre fini d’étapes, traduisible en programme exécutable.
• Apprentissage supervisé : Un type d’apprentissage où les algorithmes apprennent à partir de données déjà étiquetées pour produire des prédictions.
• Apprentissage par renforcement : Un mode d’apprentissage où un agent interagit avec un environnement pour maximiser une récompense cumulée.

📝 Points essentiels

• L’IA est définie comme science et ingénierie de machines capables d’automatiser des tâches nécessitant normalement l’intelligence humaine, attribuée à John McCarthy.
• Un algorithme peut être converti via un langage de programmation en un programme exécutable par ordinateur.
• L’apprentissage supervisé utilise des corpus d’entraînement avec des étiquettes, par exemple 0 pour un sentiment absolument négatif et 1 pour un sentiment absolument positif.
• L’apprentissage non supervisé consiste à faire découvrir par l’algorithme des règles et regroupements à partir de données non étiquetées.
• L’apprentissage profond est décrit comme un sous-ensemble fondé sur des réseaux de neurones profonds capables d’identifier des caractéristiques communes et de concevoir des modèles prédictifs.

💡 Astuce mémo

Supervisé = étiquettes, Non supervisé = regroupements, Renforcement = récompenses.

📖 4. Big Data et data literacy

🔑 Notions clés & Définitions

• Big Data : Un ensemble de données caractérisées par un volume très important, une grande variété et une vitesse élevée de production ou de traitement.
• Open Data : Des données ouvertes, accessibles, permettant de produire des analyses et des recherches en limitant les barrières d’accès.
• Open Research Data : L’ouverture des données produites par la recherche afin de faciliter la réutilisation et la transparence des travaux.
• Data literacy : La capacité à comprendre, interpréter et questionner des données, y compris leur contexte, leurs limites et leurs usages.

📝 Points essentiels

• Les unités de stockage suivent la progression 1 Ko = $10^3$ octets, 1 Mo = $10^6$, 1 Go = $10^9$, 1 To = $10^{12}$, 1 Po = $10^{15}$, 1 Eo = $10^{18}$, 1 Zo = $10^{21}$.
• Les « 3V » de Big Data sont le volume, la variété et la vitesse.
• Les données peuvent provenir autant d’humains que de machines, avec un rôle clé de l’IoT à partir des années 2010.
• L’étude des Big Data inclut des enjeux de stratégies industrielles et marchandes, ainsi que la contextualisation et l’interprétation des données.
• La régulation est décrite via gouvernance, lois/règlements et normalisation technique et organisationnelle, avec l’intégration de Big Data et algorithmes dans les politiques publiques (ex. PredPol).

💡 Astuce mémo

3V : Volume, Variété, Vitesse ; puis toujours : contexte et interprétation.

📅 Repères chronologiques

📊 Tableaux de synthèse

Web 1.0, Web 2.0, Web 3.0

⚠️ Pièges & confusions fréquents

1. Confondre information choisie (sélection pertinente) et information subie (exposition non contrôlée) peut masquer la logique de la fatigue informationnelle.
2. Mélanger le Web 3.0 des années 2010 (données interopérables et compréhension par machines) avec le Web 3.0 à partir de 2021 (décentralisation par blockchain).
3. Croire que l’apprentissage supervisé et non supervisé utilisent tous deux des données étiquetées alors que seul le supervisé dépend d’étiquettes.
4. Penser que l’apprentissage par renforcement maximise une récompense ponctuelle au lieu d’une récompense cumulée dans le temps.
5. Retenir les 3V comme une liste d’exemples sans nombre, alors qu’elles sont Volume, Variété et Vitesse.
6. Oublier que des données chiffrées comme Ko, Mo, Go suivent des puissances de 10 spécifiques à $10^3$, $10^6$, $10^9$, etc.

✅ Checklist Examen

1. Expliquer la logique de la fatigue informationnelle en opposant sélection active et exposition subie.
2. Identifier au moins deux types de flux d’information liés à la globalisation (économie, science-technique, médias).
3. Associer Web 1.0 à la consultation et à l’interactivité.
4. Associer Web 2.0 à la participation active des utilisateurs (publier, commenter, partager).
5. Associer Web 3.0 des années 2010 à l’interconnexion de données et à la compréhension par les machines.
6. Donner le rôle décrit de l’Internet des objets dans la production de données.
7. Donner la signification de l’IA comme discipline de machines capables de tâches d’intelligence humaine.
8. Définir un algorithme comme séquence d’instructions finie traduisible en programme exécutable.
9. Distinguer apprentissage supervisé, non supervisé et par renforcement par leur entrée (étiquettes) ou par leur principe (découverte, récompenses).
10. Définir l’apprentissage profond comme réseau de neurones profonds pour identifier des caractéristiques et prédire.
11. Calculer ou convertir des ordres de grandeur d’unités (Ko, Mo, Go, To, Po, Eo, Zo) avec les puissances de 10 indiquées.
12. Retenir les « 3V » de Big Data comme Volume, Variété et Vitesse.
13. Relier Big Data et data literacy à la contextualisation et à l’interprétation des données, pas seulement à l’ampleur.
14. Citer au moins une forme de régulation décrite (gouvernance, lois/règlements, normalisation) et un exemple d’usage en politique publique (PredPol).