Cette page propose une activité pratique en classe : à l'aide d'une brève consigne dialoguée, amener l'IA à générer et exécuter une tâche d'optimisation EvoX de base, puis vérifier son résultat comme le ferait un ingénieur lors d'une recette. L'essentiel n'est pas de « faire tourner » le code, mais de valider« l'humain donne la direction, l'IA fournit l'implémentation, l'humain valide »ce boucle de travail AI Native.
Objectifs de l'activité
Réaliser dans un véritable environnement EvoX la boucle minimale « consigne → génération → exécution → validation », et non simplement obtenir un code lisible. Vous devrez expérimenter par vous-même comment guider l'IA par le dialogue pour accomplir une tâche d'optimisation de base, puis inspecter son résultat comme un ingénieur.
Éléments constitutifs de la consigne (tous indispensables)
- Problème d'optimisation et fonction objectif: par exemple la minimisation de la fonction Rastrigin.
- Espace de recherche et dimensions: par exemple 10 dimensions, avec l'intervalle de valeurs de chaque dimension.
- Choix de l'algorithme et des opérateurs: par exemple l'algorithme DE, avec les opérateurs de croisement et de mutation.
- Taille de la population et nombre de générations: par exemple une population de 128 individus sur 200 générations.
- Backend de calcul: CPU ou tensorisation GPU.
- Sortie attendue: valeur optimale, courbe de convergence, journaux d'exécution.
Choix de la granularité de la consigne
Une consigne trop vague déclenche la configuration par défaut de l'IA, ce qui rend difficile de juger si l'intention est respectée ; une consigne trop détaillée dégénère en codage manuel. Il est conseillé de préciser« les contraintes et les critères de validation », et de laisser les détails d'implémentation à l'IA. Par exemple, précisez le problème, l'algorithme, la taille de la population et le nombre d'itérations, sans indiquer comment appeler concrètement l'API.
Liste de contrôle des résultats d'exécution
- Le code a-t-il réellement été exécuté, ou seulement fourni ? — Consultez les journaux du terminal et le temps d'exécution.
- La courbe de convergence s'améliore-t-elle de façon monotone, sans oscillations anormales ? — La courbe doit décroître régulièrement.
- La valeur optimale est-elle cohérente avec l'ordre de grandeur connu du problème ? — L'optimum global de la fonction Rastrigin est 0.
- Le seed aléatoire et la configuration sont-ils reproductibles ? — Après avoir fixé le seed, les exécutions répétées doivent donner des résultats identiques ou proches.
Relances dans une perspective de validation
Lorsque le résultat n'est pas à la hauteur, ajoutez des contraintes par le dialogue, par exemple « relance avec seed=42 fixé et donne la moyenne et la variance de trois répétitions ». Observez si l'IA peut corriger par itérations plutôt que tout réécrire. Cela vous entraîne à décrire précisément le problème et les critères de validation.
Répartition des rôles humain-IA
L'humain se charge de la définition du problème, des critères de mesure et du jugement des résultats ; l'IA se charge du choix des API, de l'organisation du code, du débogage et de l'exécution. Grâce à cette activité, vous situerez plus clairement votre rôle dans un flux de travail AI Native.
Délimitation par rapport aux contenus voisins
Cette page se limite à la validation du processus sur une tâche de base et n'aborde pas les thèmes ultérieurs comme l'évolution à deux niveaux de MetaDE, les compromis multi-objectifs ou le multi-agent de Genesis.
Exemple de consigne de référence
« Résous avec EvoX le minimum de la fonction Rastrigin (10 dimensions), avec l'algorithme DE, une population de 128, 200 générations, un backend de tensorisation GPU, seed=42 fixé ; exécute directement et renvoie la meilleure fitness, la courbe de convergence et les journaux d'exécution. »
Lors de la validation, vérifiez quatre points : l'exécution est-elle réelle, la forme de la courbe de convergence est-elle pertinente, la valeur optimale est-elle proche de 0, et les résultats des exécutions répétées sont-ils cohérents.
Boucle de l'activité en classe sur EvoXCette capture d'écran interactive correspond à la boucle minimale de l'activité en classe : à l'aide d'une consigne, faire générer et exécuter par l'IA une tâche d'optimisation EvoX. La consigne doit préciser le problème, la fonction objectif, l'espace de recherche, l'algorithme, la taille de la population, le nombre de générations, le backend de calcul et la sortie attendue. Après l'exécution, validez selon que l'exécution est réelle, que la courbe de convergence est pertinente, que la valeur optimale se rapproche de l'ordre de grandeur connu et que la reproductibilité avec un seed fixé est assurée — illustrant ainsi « l'humain donne la direction, l'IA implémente, l'humain valide ».
