Schwätz du IA?

Uni.lu

Et si vous deveniez incollable sur l'intelligence artificielle avant la rentrée ? Ce nouveau podcast produit par l'Université du Luxembourg vous emmène à la rencontre de celles et ceux qui façonnent l'IA au Luxembourg : chercheurs, entrepreneurs, experts du numérique.

Chaque semaine, un invité, une conversation, un éclairage différent sur cette technologie qui transforme déjà notre quotidien. Pas besoin d'être ingénieur pour comprendre : ici, l'IA se raconte simplement, avec celles et ceux qui la vivent de l'intérieur.

Aux commandes, deux professeurs de la Faculté des Sciences, des Technologies et de Médecine, Christophe Ley et Ivan Nourdin, partent à la rencontre de celles et ceux qui construisent, utilisent et questionnent l'IA au Luxembourg. Qu'on soit enthousiaste ou encore sceptique face à cette technologie, une chose est certaine : elle pose des questions essentielles, entre opportunités, risques et enjeux éthiques.

Rendez-vous dès le 7 juillet pour le premier épisode, puis chaque mardi pour la suite.

Play

Open in

9 episodes
Avg 45 min
French

Episodes 9

Newest Oldest Longest

All9 Unplayed9 In progress0 Played0

S1 · E9
September 1 · 43 min
Grégory Nain - De la recherche au terrain
25 heures de calcul pour un traitement quotidien, puis 2 heures après un changement d’approche: derrière ce genre d’écart, il n’y a pas de magie, il y a de l’ingénierie. On accueille Grégory Nain, docteur en génie logiciel et cofondateur de DataThings, pour raconter un trajet rare et précieux: quitter le monde académique, transformer des prototypes du SNT en produit, et construire au Luxembourg une technologie taillée pour le temps réel et l’IA industrielle. On parle de ce que l’intelligence artificielle signifie quand on est au contact du terrain: extraire de la connaissance depuis des données brutes, agréger des sources multiples, produire des indicateurs opérationnels et des prédictions qui aident vraiment des opérateurs, des réseaux ou des lignes de production. Grégory explique pourquoi, pour lui, l’IA n’est pas un but mais un moyen, et pourquoi les chatbots ne sont souvent qu’une interface au-dessus d’un système intelligent conçu pour un besoin précis, avec des contraintes de performance, de coûts et de propriété des données. On entre ensuite dans le concret avec Greycat: base de données, langage et outils statistiques réunis pour éviter les architectures qui s’écroulent quand les volumes explosent. On aborde aussi l’entrepreneuriat côté spin-off universitaire: support, contrats, marketing, vocabulaire qui change, et marathon humain derrière la tech. Enfin, on débat sans filtre de l’IA générative au travail (accélération oui, pilote automatique non), des dépendances, de la frugalité énergétique et de la souveraineté numérique européenne, avec une conviction: garder le savoir-faire compte autant que gagner du temps.
- Transcript
- Chapters
S1 · E8
August 25 · 37 min
Duc Fehr - IA : où commence votre responsabilité ?
L'IA semble tout à fait nouvelle quand on ne voit que le chatbot. Mais dès qu'on regarde sous le capot, on se rend compte que les outils actuels s'appuient sur des décennies de travaux en apprentissage automatique, en réseaux neuronaux, et sur les contraintes bien réelles liées aux données et au matériel. Nous nous entretenons avec un data scientist travaillant dans le secteur public luxembourgeois, qui a lui-même vécu l'évolution de l'IA dans les domaines de l'imagerie médicale et de l'industrie, et nous nous concentrons sur une réalité concrète et vérifiable plutôt que sur des discours marketing. Nous décortiquons ce qu’est réellement l’intelligence artificielle : des systèmes qui apprennent à partir d’exemples pour prendre des décisions ou faire des prédictions, souvent dans des domaines où les humains effectuaient auparavant ce travail à l’œil nu ou par jugement. La vision par ordinateur rend cela tangible, qu’il s’agisse de classer des images, de mesurer des tumeurs sur des scans médicaux ou d’analyser les surfaces de contact des pneus dans l’industrie manufacturière. Les domaines changent, mais le scénario reste le même : données d’entraînement, évaluation, coûts des erreurs, et la rigueur nécessaire pour se demander ce qui se passe lorsque le modèle se trompe. Nous faisons ensuite le lien avec l’essor de l’apprentissage profond, en expliquant notamment pourquoi AlexNet a bouleversé le domaine en 2012 et comment les GPU et le calcul à grande échelle ont permis ce bond en avant. De là, nous revenons à l’ère de ChatGPT : comment l’IA générative peut accélérer le codage et la résolution de problèmes, pourquoi elle peut « halluciner », et pourquoi les règles de confidentialité sont importantes lorsque les invites risquent d’exposer des informations sensibles. Si vous cherchez à intégrer l'IA dans votre travail quotidien sans pour autant perdre le contrôle sur la qualité, la confidentialité ou la responsabilité, cette discussion vous offre un modèle conceptuel solide et un ensemble de lignes directrices. Abonnez-vous, partagez cet article avec un collègue qui utilise l'IA au quotidien, et laissez un commentaire en y indiquant : dans quels domaines faites-vous confiance à l'IA, et dans lesquels refusez-vous de le faire ?
- Transcript
- Chapters
S1 · E7
August 18 · 57 min
Casius Morea - Du problème métier à la solution IA : la bonne méthode
L’Intelligence Artificielle ne « transforme pas une entreprise » simplement parce que quelqu’un a saisi une instruction dans un chatbot. La véritable transformation commence lorsque l’on identifie un processus complexe et coûteux pour le repenser de manière à ce que les machines et les humains puissent se répartir le travail en toute sécurité. Nous nous sommes entretenus avec Cassius Morea pour retracer ce parcours, depuis un problème très concret – les e-mails répétitifs du service client – jusqu’à une approche de l’automatisation adaptée aux entreprises, qui respecte les processus, le contexte et le contrôle. Nous abordons en détail ce qui fonctionne en production : une IA avec intervention humaine qui rédige des réponses, une automatisation basée sur le niveau de confiance, et des étapes structurées qui s’interfacent avec des systèmes réels tels que les CRM, les ERP et les bases de connaissances internes. Cassius explique pourquoi les équipes attendent souvent des miracles des grands modèles linguistiques (LLM), pourquoi cela engendre de la déception, et comment une gestion du changement solide recadre l’IA en tant qu’accélérateur favorisant le perfectionnement et la reconversion professionnelle, plutôt que comme un « employé parfait ». Nous abordons également le « vibe coding » comme une méthode pratique pour prototyper, tester et itérer plus rapidement, tout en conservant la rigueur technique là où cela compte. Nous élargissons ensuite notre perspective pour aborder des enjeux plus vastes : l’IA en tant qu’infrastructure stratégique, la transformation du modèle économique du BPO, qui passe de la facturation à l’heure à la facturation à la performance, et la volonté de l’Europe de promouvoir une IA d’entreprise souveraine. Nous débattons du compromis auquel chaque dirigeant est actuellement confronté : précision et rapidité offertes par les grands modèles cloud, ou contrôle, isolation et gouvernance assurés par les déploiements open source et sur site. Si vous recherchez des conseils pratiques sur l’adoption de l’IA, l’automatisation du service client, la gouvernance de l’IA et la stratégie en matière d’IA souveraine, cet article est fait pour vous. Abonnez-vous pour découvrir d’autres discussions concrètes, partagez cet article avec un collègue responsable des opérations ou du service client, et laissez un commentaire en posant votre principale question sur le déploiement de l’IA au travail.
- Transcript
- Chapters
S1 · E6
August 11 · 45 min
Tine Larsen - Utiliser l'IA. Protéger les données.
Vous avez déjà hésité avant de coller un texte, un contrat ou un dossier client dans une IA générative? Nous aussi, et c’est exactement le nœud de notre échange avec Tine Larsen, présidente de la CNPD (Commission nationale pour la protection des données) au Luxembourg. On cherche une voie simple et réaliste: utiliser l’intelligence artificielle pour gagner du temps et de la qualité, sans transformer nos données personnelles en monnaie d’échange invisible. On parle d’abord d’usages concrets: résumer un document, rédiger un mail, améliorer un texte. Puis on met le projecteur sur ce qui déraille vite: biais, hallucinations, et surtout le contenu du prompt. Tine nous donne des réflexes de bon sens qui changent tout: relire systématiquement, savoir ce qu’on attend, et ne pas envoyer d’informations personnelles, confidentielles ou sensibles dans des outils non encadrés. On aborde aussi un phénomène qui explose en entreprise, la shadow AI, quand chacun utilise son outil dans son coin faute de cadre, de charte ou d’alternative interne. Ensuite, on élargit: souveraineté numérique, outils américains versus solutions européennes, Copilot en environnement protégé et montée en puissance de Mistral côté État. On creuse la régulation européenne (RGPD, AI Act et autres textes), la question de la fragmentation, et ce que “trop de règles” veut vraiment dire. Enfin, on revient sur les sanctions et le cas Amazon, pour comprendre comment une amende se calcule, pourquoi elle fait peur, et ce que la procédure impose aux autorités comme la CNPD. Si ce genre de discussion vous aide à décider plus sereinement, abonnez-vous, partagez l’épisode, et laissez une note 5 étoiles ou un commentaire pour nous aider à faire grandir le podcast.
- Transcript
- Chapters
S1 · E5
August 4 · 41 min
Astou Ndiaye - IA En Soins Intensifs: Prédire Le Choc Septique Avec Hale-X
Une inflammation qui explose, des examens qui s’accumulent, des médecins qui doivent décider vite avec des signaux parfois contradictoires: la santé met l’intelligence artificielle face à sa vraie responsabilité. Avec Astou Ndiaye, fondatrice de Hale-X, on part d’une expérience personnelle en milieu hospitalier pour comprendre pourquoi les erreurs de diagnostic arrivent, et comment une approche bien pensée peut aider à mieux lire l’état d’un patient au bon moment. On parle jumeau numérique du patient (digital twin) construit à partir du dossier médical électronique, des prises de sang, des comorbidités et, en soins intensifs, des données des moniteurs en temps réel. L’objectif: offrir une vue globale, prédire des trajectoires cliniques, et préparer la possibilité de simuler des options thérapeutiques. Le cas d’usage prioritaire est concret et vital: anticiper le choc septique, réduire la mortalité, diminuer le temps passé en réanimation et les coûts hospitaliers. On met aussi les mots sur un frein souvent sous-estimé: l’interopérabilité en Europe, avec des formats et des systèmes qui ne se parlent pas. On aborde ensuite ce qui fait la différence entre une IA impressionnante et une IA utile: l’IA explicable. Un simple score ne suffit pas; il faut pouvoir dire pourquoi une alerte se déclenche, quels biomarqueurs comptent, et comment le contexte médical change l’interprétation. Enfin, on entre dans le réel des start-up MedTech au Luxembourg: conformité RGPD, consentement patient, qualification en dispositif médical, AI Act, EHDS, responsabilité en cas d’erreur, et levée de fonds pour passer du prototype au terrain. Abonnez-vous, partagez l’épisode autour de vous et laissez une note 5 étoiles ou un commentaire: ça nous aide à inviter d’autres voix qui construisent l’IA de façon responsable.
- Transcript
- Chapters
S1 · E4
July 28 · 46 min
Fateh Amroune - De la stratégie nationale à l'IA au quotidien
Tout le monde parle d’IA, mais très peu de gens savent la déployer sans se tromper de problème. Avec Fateh Amroun, on quitte les slogans pour rentrer dans le concret: ce qui marche vraiment dans la transformation digitale, ce qui bloque dans les entreprises, et comment l’IA générative devient utile seulement quand on la rattache à un besoin précis, des données maîtrisées et une adoption réelle. On détaille des exemples opérationnels comme la création d’un ChatGPT interne sécurisé, renforcé par une approche RAG pour s’appuyer sur des documents fiables. On discute formations, gestion des risques, limites de l’IA générative et surtout ROI: comment le mesurer sans se raconter d’histoires, en partant des processus et du temps réellement gagné. On ouvre aussi la porte aux leviers disponibles au Luxembourg via l’AI Factory, l’écosystème autour de Meluxina et les dispositifs d’accompagnement et de subventions. La conversation s’élargit ensuite vers la souveraineté technologique européenne, les arbitrages des dirigeants entre efficacité et solutions locales, et le poids de la réglementation pour les PME. Côté “future of work”, on met des mots simples sur une tension forte: des seniors augmentés par l’IA, des juniors qui risquent de perdre les tâches qui formaient autrefois leur expérience. Et pour finir, Fateh partage un projet à impact sociétal: un Nutri-Score du logiciel pour évaluer rapidement si une application est toxique ou respectueuse de la santé mentale, en s’attaquant aux mécanismes d’addiction numérique. Abonnez-vous, partagez l’épisode, et laissez une note ou un commentaire: quelle est, chez vous, l’utilisation de l’IA qui a créé le plus de valeur ?
- Transcript
- Chapters
S1 · E3
July 21 · 42 min
Martin Hairer - l'IA va-t-elle changer les mathématiques?
L’IA semble magique lorsqu’elle discute, écrit et résout des problèmes sur commande, mais les mathématiques ont le don de mettre la vérité au grand jour. Nous nous entretenons avec Martin Hairer, lauréat de la médaille Fields, pour lui poser une question simple aux conséquences considérables : quel rôle les mathématiques jouent-elles réellement dans l’intelligence artificielle moderne, et que se passe-t-il lorsque les grands modèles linguistiques commencent à s’attaquer au type de raisonnement que les humains utilisent pour construire des démonstrations ? Nous analysons comment des outils tels que ChatGPT s’inscrivent dans une histoire bien plus longue de l’IA, puis nous distinguons précisément ce qui relève des « mathématiques » de ce qui relève de l’« ingénierie » dans les réseaux neuronaux actuels : d’un côté, l’optimisation, les probabilités et des définitions claires des modèles ; de l’autre, de nombreux détails de mise en œuvre, des essais et des erreurs architecturaux, ainsi que des itérations rapides. Nous nous penchons ensuite sur l’IA dans l’enseignement, où les grands modèles linguistiques (LLM) résolvent déjà de nombreuses tâches de niveau licence et obligent les universités à repenser les devoirs, les examens et la manière d’évaluer la compréhension. La conversation s’oriente ensuite vers l’IA au service de la recherche mathématique. Nous abordons les domaines dans lesquels les modèles de langage grand public (LLM) peuvent véritablement apporter une aide : les familles de problèmes structurées, les améliorations progressives apportées aux résultats existants et l’assemblage de lemmes connus pour former des ébauches de démonstration exploitables. Nous parlons également sans détours des risques : les erreurs subtiles dissimulées dans un langage fluide, les étapes vagues du type « par conséquent » et les citations qui n’existent tout simplement pas. Enfin, nous explorons deux pistes prometteuses pour l’avenir de la recherche mathématique et de l’évaluation par les pairs : une cartographie fiable de la littérature assistée par l’IA et la vérification formelle des preuves à l’aide d’assistants de démonstration tels que Lean ou Coq. Si vous vous intéressez à l’IA, aux mathématiques, à l’éducation ou à l’avenir de la confiance scientifique, abonnez-vous, partagez cet épisode avec un ami et laissez un commentaire. Quelle est la tâche mathématique que vous confieriez à un système d’IA, et celle que vous ne lui confieriez jamais ?
- Transcript
- Chapters
S1 · E2
July 14 · 44 min
Philippe Linster - Comment le Luxembourg construit sa niche dans l'IA
Le terme « start-up IA » peut aujourd’hui recouvrir n’importe quoi, et c’est précisément là le problème. Nous avons rencontré Philippe Linster, directeur de la House of Startups au Luxembourg, afin d’obtenir une vision réaliste de ce que l’IA générative change réellement pour les fondateurs qui développent des produits et pour les investisseurs qui décident où placer leurs paris. Si vous vous êtes déjà demandé pourquoi certaines entreprises d’IA semblent immédiatement copiables tandis que d’autres paraissent inarrêtables, cette conversation vous fournira un cadre pratique. Nous abordons le changement post-ChatGPT : l’IA passe d’une infrastructure cachée à un outil accessible à tous, ce qui accélère la création de prototypes et dynamise le marché. Philippe explique comment il évalue si une start-up résout un véritable problème ou se contente d’ajouter une couche d’IA « sexy » à des modèles existants. Nous nous penchons sur les avantages concurrentiels qui comptent vraiment dans l’intelligence artificielle et l’apprentissage automatique : les données propriétaires, l’accès à des ensembles de données uniques, les capacités technologiques de pointe, et les équipes capables de construire ou d’adapter des modèles plutôt que de se contenter de les « habiller ». De là, nous abordons la réalité du capital-risque et de l'investissement providentiel. Nous analysons ce que recherchent les investisseurs au-delà des mots à la mode : un marché vaste, un problème clairement identifié, la preuve que la solution fonctionne, un plan de commercialisation et de déploiement, ainsi qu'une équipe de direction capable de mener à bien le projet. Nous explorons également les agents IA, le concept d'entreprise unipersonnelle, et les raisons pour lesquelles les postes juniors pourraient être les premiers touchés par la disruption. Enfin, nous prenons du recul pour examiner la stratégie d’innovation du Luxembourg dans les domaines de la technologie spatiale, de la biotechnologie, de la finance, de la cybersécurité et des secteurs émergents comme l’informatique quantique, ainsi que la tension en Europe entre la réglementation (comme le RGPD et la loi sur l’IA) et la nécessité de développer l’innovation. Si vous souhaitez avoir une vision claire et concrète de l’écosystème des startups en IA et savoir où s’arrête le battage médiatique, abonnez-vous, partagez cet épisode avec un fondateur ou un investisseur, et laissez un commentaire avec votre plus grande question sur l’IA.
- Transcript
- Chapters
S1 · E1
July 2 · 51 min
Geoffrey Nichil - Adopter l'IA en entreprise : un outil, pas un objectif
L'Intelligence Artificielle donne l'impression d'être un super-pouvoir jusqu'à ce que l'on tente de la déployer au sein d'une véritable entreprise, avec de vraies données, de vrais clients et une réglementation bien réelle. Nous nous entretenons avec Geoffrey Nichil, CEO et Co-fondateur de Dotika, pour aborder de manière résolument pragmatique ce qu'est et ce que n'est pas l'intelligence artificielle : des algorithmes capables de reproduire certaines tâches humaines, qui reposent sur la qualité des données, la gouvernance et une intention commerciale claire. Nous passons en revue des exemples concrets d’IA dans le secteur de l’assurance au Luxembourg, notamment la compréhension de documents, la détection de l’intention dans les e-mails, l’automatisation du traitement des sinistres, le ciblage marketing et la détection des fraudes. Vous découvrirez pourquoi certaines « excellentes idées » échouent encore lorsque la technologie n’est pas suffisamment mûre, et pourquoi les aspects fastidieux (gouvernance des données, supervision, tests et conception des processus) font toute la différence entre une simple démonstration et une mise en production. Nous nous pencherons également sur les modèles de langage (LLM) et l’IA générative, en expliquant dans quels domaines ils excellent pour le traitement de textes non structurés et dans quels cas l’intervention humaine reste indispensable. Nous élargissons ensuite le champ à l’infrastructure cloud et à la sécurité : capacité des GPU, coûts de calcul, et ce qu’implique une développement responsable au regard du RGPD et de la loi européenne sur l’IA. Nous débattons pour savoir si la réglementation européenne constitue un avantage grâce à la transparence et à la sécurité, ou un inconvénient en l’absence d’investissements plus importants. Enfin, Geoffrey explique pourquoi il a lancé Dotica, comment le « vibe coding » transforme la livraison de logiciels, et pourquoi le rôle de l’informatique évolue vers l’orchestration de pipelines sécurisés plutôt que vers la création manuelle de tout. Si vous vous intéressez à la stratégie en matière d’IA, à l’apprentissage automatique, à l’automatisation des modèles de langage (LLM), à la gouvernance de l’IA et à l’avenir du travail au Luxembourg et en Europe, cet épisode est fait pour vous. Abonnez-vous, partagez-le avec un collègue et laissez un commentaire en indiquant le cas d’utilisation de l’IA que vous souhaitez essayer prochainement.
- Transcript
- Chapters

Showing 1–9 of 9 episodes