IA générative et pipelines en recomposition : enjeux pédagogiques en situation de production
Item
-
Titre de la conférence
-
IA générative et pipelines en recomposition : enjeux pédagogiques en situation de production
-
Date de la conférence
-
15 April 2026
-
Résumé
-
La conférence propose une lecture sociotechnique des pipelines d’images en distinguant workflow et dataflow pour analyser comment les IA génératives reconfigurent les pratiques industrielles et pédagogiques. Elles produisent des effets spectaculaires mais montrent des limites de cohérence, de consistance interplans et de traçabilité, entraînant itérations et coûts cachés. Les enquêtes soulignent des usages expérimentaux et une forte pression en post‑production, tandis que l’animation reste plus prudente, d’où l’essor de pipelines hybrides mêlant logiciels classiques et services IA. L’auteur plaide pour une intégration critique des IA en enseignement, centrée sur curation des modèles, données et justification méthodologique.
-
résumé thématique généré par IA
-
La conférence articule une lecture sociotechnique des « pipelines » de fabrication image en distinguant workflow et dataflow pour montrer comment les intelligences artificielles génératives reconfigurent les pratiques industrielles et pédagogiques : loin d'un outil « tout‑en‑un » magique, les systèmes produisent des effets « waouh » mais révèlent des limites de cohérence spatiale, de consistance interplans et de traçabilité qui imposent des itérations, des filtrages et des coûts cachés ; les études de terrain et enquêtes (≈70 % d'essais, ~90 % en post‑production, ~60 % en animation) confirment des usages expérimentaux et une pression compétitive en post‑prod tandis que l'animation reste plus prudente, d'où l'émergence d'architectures hybrides mêlant outils traditionnels (Maya, Houdini) et services IA, et des enjeux de souveraineté et de confidentialité. Pédagogiquement, l'auteur plaide pour une intégration critique et technique des IA — enseigner la curation des modèles, la connaissance des jeux de données implicites et la justification méthodologique plutôt que la simple maîtrise de prompts — et illustre par ateliers (ComfyUI, GLSL) les défis logistiques, évaluatifs et éthiques : repenser objectifs et modalités d'évaluation pour préparer des praticiens aptes à négocier pipelines déterministes et probabilistes.
-
Citation tirée de la conférence
-
Donc le pipeline c'est un objet qui est très multiforme, qui est très organique, qui évolue énormément en fonction des studios, des productions, des pays et de qui on interviewe.
-
C'est-à-dire qu'il y a souvent un effet démo et un effet wow qui se passe avec ces outils, c'est-à-dire qu'ils sont dans des choses un peu fermées, dans un format SaaS en ligne comme ça où on peut avoir une donnée d'entrée, une donnée de sortie qui est saisissante, mais après dès qu'on veut commencer à mettre face à des critères professionnels du cinéma d'animation, de la post-production, du jeu vidéo, c'est un petit peu plus subtil que ça.
-
Le problème, c'est que les images génératives ont tendance à créer une impression de cohérence, mais n'ont pas conscience de la spatialité forcément de ce qu'elles vont produire.
-
Alors j'ai préféré au début, j'avais dit pipeline dit classique, traditionnel, pipeline IA, maintenant je préfère distinguer pipeline déterministe et pipeline probabiliste. Parce que quand tu utilises ces outils d'intelligence artificielle, d'images, de vidéos, on est sur des systèmes de statistiques, on est sur de la probabilité, on a un pourcentage de chances d'être à peu près y arriver, et on est sur un format un peu boîte noire. On ne peut pas totalement contrôler les flux, que ce soit les flux d'entrée ou de sortie.
Linked resources
Items with "Est relié aux conférences...: IA générative et pipelines en recomposition : enjeux pédagogiques en situation de production"
| Title |
Class |
| IA et pratiques narratives |
Collection
|
Annotations
There are no annotations for this resource.