**Qant : Quel rôle joue aujourd’hui l’IA générative chez EvidenceB ? **
Thierry de Vulpillières : Aujourd’hui, la GenAI est plutôt un outil d’aide à la production qu’un outil d’exposition aux élèves. Le principe de l’adaptative learning est que chaque élève ait sans arrêt un exercice qui lui corresponde en termes de difficultés, mais qu’il soit différent. Mia Seconde, l’outil que nous déployons avec le ministère de l’Éducation nationale, compte par exemple 20 000 exercices, qui ont été créés à la main par des professeurs. Les modèles de langage peuvent pour nous être un moyen d’accélérer la production, mais les élèves eux-mêmes n’y sont à l’heure actuelle pas exposés, même si nous travaillons sur plusieurs projets de recherche en ce sens. D’une certaine manière, l’IA générative, va à l’encontre de ce que nous faisons. Nous cherchons à faire réfléchir l’élève, pas à lui donner une réponse toute faite. Le propre des modèles de langage est de donner une bonne antisèche. Nous n’amenons pas de l’information, nous faisons acquérir de la connaissance.
**Qant : Vous vous rendez depuis plusieurs années aux Bett Awards, qui rassemblent à Londres les acteurs de l’EdTech. Avez-vous remarqué pour cette édition une explosion des cas d’usage de l’intelligence artificielle, notamment générative ? **
Thierry de Vulpillières : La période post-covid et l’explosion de l’adaptive learning avaient déjà mis un coup de projecteur sur l’IA. Déjà l’année dernière, de nombreux stands comprenaient la mention « AI-Powered ». Cette année, on lisait partout « GPT-powered » ou « LLMs-powered ». Nous faisons le choix de ne pas mettre en avant la technologie, mais plutôt notre mission. Nous avons créé EvidenceB pour aider les élèves, et nous prenons le meilleur de ce qui existe en recherche. J’ai longtemps travaillé chez Microsoft, et j’observe que les grandes entreprises de la tech ont souvent tendance à développer une technologie, puis à chercher un secteur que cette dernière pourrait intéresser. Nous réfléchissons à l’inverse. L’observation est que tous les systèmes éducatifs ont baissé dans le monde, notamment à cause du Covid. Il y a partout le problème des décrocheurs, celui de la mobilité sociale. Notre entreprise a été créée pour résoudre ces problèmes. Il y a un enjeu d’améliorer le système éducatif pour permettre d’améliorer la capacité des élèves à analyser la démultiplication des informations, et notamment des fake news que les IA génératives elles-mêmes aident à propager.
**Qant : Et donc, sans faire appel à l’IA générative, vous avez été récompensé aux Bett Awards, dans la catégorie « Entreprise de l’année”. Que représente un tel évènement pour une entreprise comme EvidenceB ? **
Thierry de Vulpillières : Il faut comprendre qu’en France, l’EdTech représente environ 300 entreprises. C’est un micro-secteur industriel du point de vue de l’attention portée par les pouvoirs publics. En revanche, en Grande-Bretagne, la langue anglaise est un produit d’exportation, le monde entier cherche à apprendre l’anglais. Nous avons été incubés à Londres, où près de 3000 start-up du secteur cohabitent. Là-bas, c’est une industrie, et c’est pourquoi le pays accueille le plus grand salon EdTech au monde. Ce prix que nous avons reçu est venu récompenser notre approche globale de l’adaptive learning adossée aux sciences cognitives.
**Qant : En quoi consistent les solutions proposées par EvidenceB ? **
Thierry de Vulpillières : Nos applications intègrent six algorithmes d’intelligence artificielle. Si on se concentre sur les deux principaux, le premier appartient à la famille des algorithmes de « bandits manchots ». Il propose en continu à chaque élève des exercices adaptés, quel que soit son niveau. Le deuxième, qui relève lui du « clustering », permet la constitution de groupes d’élèves présentant des caractéristiques d’apprentissages similaires.
EvidenceB vient d' »Evidence Based Education », soit l’éducation fondée sur les preuves. Notre entreprise est très fortement adossée à la recherche. Nous sommes une entreprise de transfert de recherche. Dans un premier temps, des chercheurs travaillent sur des domaines, et à partir d’une certaine maturité, leurs idées sont basculées sur des produits. Nous avons deux piliers de recherche. D’une part les sciences cognitives, comprendre comment le cerveau humain apprend. Et d’autre part, l’intelligence artificielle.
Nous sommes la deuxième génération d’adaptive learning (l’adaptive learning est une méthode éducative utilisant les programmes informatiques pour proposer une formation ultra-personnalisée). La première était portée par l’intelligence artificielle, mais pas par les sciences cognitives, et n’a pas réellement aidé les élèves. Le propre de notre algorithme du bandit manchot est qu’il a été nourri par la recherche et l’innovation issue des sciences cognitives. Nos outils ne couvrent pas l’ensemble du programme scolaire, mais se concentrent sur des champs de recherche documentés, et qui constituent des points durs pour les systèmes éducatifs.
**Qant : Comment fonctionnent dans le détail les deux principaux algorithmes intégrés dans vos applications ? **
Thierry de Vulpillières : Nous utilisons tout d’abord l’algorithme ZPDES, qui fonctionne par apprentissage par renforcement. L’algorithme cherche pour chaque élève le prochain exercice le plus approprié pour faire progresser l’élève dans la compréhension et la maîtrise d’un point de connaissance. Le nom de l’algorithme est emprunté au pédagogue russe Lev Vigotski qui a théorisé le concept de Zone Proximale de Développement. Cela consiste à maintenir l’élève dans une zone d’exercices ni trop simples (ce qui causerait de l’ennui) ni trop difficiles (ce qui entraînerait le renoncement).
Tirant parti d’algorithmes de bandits manchots, ZPDES intègre un système basé sur des règles de connaissances expertes et exploite les progrès empiriques de l’apprentissage des élèves pour sélectionner les activités qui présentent la valeur d’apprentissage la plus élevée pour les progrès de l’élève. Fondamentalement, l’algorithme ZPDES utilise le taux de réussite des élèves pour calculer dynamiquement le meilleur ensemble d’activités (zone de développement proximal) et réfléchit aux activités en fonction des progrès d’apprentissage pour les sélectionner de manière stochastique.
Nous utilisons ensuite un algorithme de clustering (en analyse de données, le clustering est une technique consistant à regrouper des points de données en fonction de leur similarité, ici des élèves). Bien qu’il soit possible d’appliquer un clustering aux données d’une classe, le nombre réduit de traces par élève limite la qualité des clusters obtenus.
Nous proposons donc une approche en deux temps. Tout d’abord une phase d’apprentissage dans laquelle l’algorithme est entraîné pour déterminer le meilleur partitionnement à partir des traces de toutes les classes à un instant. Ensuite, une phase de prédiction : le partitionnement précédemment appris est appliqué pour prédire l’appartenance d’un nouvel élève à un cluster à un instant. On utilise ainsi indirectement le clustering à des fins de prédictions.
La nature des exercices étant différente dans chaque module, il y a un clustering séparé pour chacun des modules de l’application. Le premier clustering sur un module est donc réalisé exclusivement sur les données du test initial avec les mêmes exercices travaillés par tous les élèves. Par la suite, les clusters produits dépendent de l’activité des élèves, et indirectement de la nature de ces exercices. Nous avons également intégré des heuristiques de sélection automatique du nombre de clusters et garantissant un nombre de clusters ”raisonnable” pour l’enseignant (entre 2 et 5).
Qant : Vos solutions viennent donc répondre aux défis du travail à distance.
Thierry de Vulpillières : EvidenceB s’est lancée en 2019, c’est-à-dire la veille du Covid. A ce moment-là, tous les systèmes éducatifs dans le monde s’arrêtent. On s’est rendu compte à ce moment-là que la dématérialisation ne permettait pas de continuer en cas d’arrêt du système. Cela a donné un coup de projecteur sur ce que nous faisons, à savoir de l’adaptive learning. Grâce à un système de tableau de bord, l’enseignant peut – y compris à distance – voir comment progressent ses élèves. Cet attrait pour l’adaptive learning combiné au boom de l’IA autour de l’épiphénomène des modèles de langage ont contribué à la popularité de nos solutions.
**Qant : Vendredi 2 février, le texte de l’AI Act européen a été approuvé par les États membres. Quel est votre regard en tant que start-up utilisant l’IA au quotidien ? **
Thierry de Vulpillières : La question de la protection des données, de la bonne articulation entre décision humaine et recommandation par des IA, est au cœur de notre projet parce que nous nous adressons à un secteur extrêmement sensible sur ces sujets. D’un point de vue commercial, quand je dis que je viens de France, l’existence du RGPD et de l’AI Act est un facteur de business, et non pas un facteur de frein. Ces réglementations protectrices ne sont pas perçues comme des fardeaux à l’étranger. L’éducation fait partie des zones sanctuarisées dans l’AI Act, et je considère qu’un tel texte contribue à nous protéger industriellement. De plus, être maximaliste dans la protection des données fait partie de l’ADN du secteur de l’éducation. Nous travaillons avec le district de New-York dans lequel il y a un processus de validation et de respect des données qui est très coercitif.
Pour en savoir plus :
Thierry de Vulpillières a créé EvidenceB en mai 2017, aux côtés de Catherine de Vulpillières et Didier Plasse. Il a auparavant occupé le poste de directeur des partenariats éducatifs chez Microsoft France pendant douze ans.
Source archive Kessel : https://qant.kessel.media/posts/pst_0e47f67a3f9d4f64891d8861b309aaa5
