Menu
Shatranj.ai présente un modèle d'intelligence artificielle dans l'éducation, basé sur l'héritage, la construction et l'expérimentation. Nous utilisons les échecs, le shatranj et des jeux de société historiques pour aider les étudiants à comprendre l'intelligence artificielle de l'intérieur : les règles, les états, la recherche, l'évaluation, l'apprentissage, l'éthique et la conception de systèmes intelligents.
Notre objectif n'est pas seulement la maîtrise de l'IA au sens de la sensibilisation ou de l'utilisation d'outils. Notre objectif est d'aider les jeunes à devenir de futurs architectes de l'IA : des apprenants capables d'expliquer, de construire, de tester, d'améliorer et de remettre en question de manière responsable les systèmes intelligents.
Le programme d'études de Shatranj.ai commence par d'anciens défis sur l'échiquier et les transforme en leçons modernes de calcul, d'algorithmes et d'intelligence artificielle.
L'intelligence artificielle dans l'éducation ne devrait pas se limiter à l'utilisation de chatbots, d'aides à la rédaction ou à l'automatisation des devoirs. Les élèves doivent également comprendre comment les systèmes d'IA représentent les problèmes, recherchent des possibilités, évaluent les choix, apprennent à partir du retour d'information et affectent la société.
Shatranj.ai offre aux institutions un moyen concret d'enseigner ces idées. Un jeu de société est un système visible : chaque position a un état, chaque mouvement modifie l'état, chaque règle peut être codée et chaque algorithme peut être inspecté, débogué, comparé et amélioré.
L'histoire entremêlée des échecs et de l'intelligence artificielle est au cœur de notre philosophie d'enseignement. Des premiers automates et de la culture des échecs dans les cafés à Shannon, Turing, Deep Blue, Stockfish, AlphaZero et aux systèmes d'apprentissage modernes, les échecs offrent aux étudiants l'une des voies historiques les plus claires pour comprendre comment les humains ont imaginé, construit, testé et amélioré les machines intelligentes.
Shatranj.ai est un projet d'éducation des jeunes Erasmus+ KA2 qui repose sur l'idée que l'intelligence artificielle devient plus facile à comprendre lorsque les étudiants peuvent la voir à travers des jeux, des puzzles, l'histoire et le code.
Nous combinons l'héritage culturel avec la pensée informatique. Les étudiants explorent les jeux de société historiques issus des traditions intellectuelles européennes, méditerranéennes, africaines, asiatiques et islamiques, puis reconstruisent ces jeux sous forme de systèmes programmables.
Cette approche rend l'enseignement de l'IA plus inclusif. Les étudiants ne commencent pas par la seule terminologie abstraite de l'apprentissage automatique. Ils commencent par des idées familières : des plateaux, des pièces, des règles, des mouvements, des puzzles, des stratégies, des histoires et des décisions.
Notre promesse éducative est simple : les étudiants passent du jeu à la modélisation de systèmes, de la résolution d'énigmes à la mise en œuvre d'algorithmes, et de l'utilisation d'outils d'IA à la réflexion de futurs architectes de l'IA.
Les jeux de société historiques sont de puissants laboratoires pédagogiques. Ils sont culturellement significatifs, visuellement clairs, mathématiquement structurés et riches en calculs. Ils permettent aux élèves de faire le lien entre l'histoire, la langue, la conception, l'éthique, les mathématiques, l'informatique et l'intelligence artificielle.
Dans Shatranj.ai, les étudiants travaillent avec les échecs, le shatranj, le Qirkat, le Mancala, le jeu royal d'Ur, les jeux à 3 et 9 pierres, Othello/Reversi, les variantes du jeu de dames et d'autres jeux stratégiques. Il ne s'agit pas d'enseigner l'IA en tant que technique unique. Il s'agit d'enseigner l'IA comme une manière transférable de représenter et de résoudre les problèmes.
Shatranj.ai enseigne l'IA par le biais d'algorithmes que les étudiants peuvent voir, tester, déboguer et expliquer. Le programme commence par la représentation du plateau et la génération de mouvements légaux, puis passe à la recherche, à l'évaluation, à la programmation dynamique, à l'apprentissage par renforcement et à l'auto-jeu de type AlphaZero.
Shatranj.ai enseigne les algorithmes d'IA comme une voie de développement : des puzzles et de la recherche à l'apprentissage par renforcement, à la recherche arborescente de Monte Carlo et aux systèmes de type AlphaZero.
Les étudiants apprennent à représenter les plateaux, les pièces, les coups légaux, les états de jeu, les conditions finales et les caractéristiques d'évaluation. C'est la base de tout moteur de jeu et de toute activité d'IA explicable dans le programme d'études.
Les élèves étudient la recherche en profondeur d'abord, la recherche en largeur d'abord, la recherche à coût uniforme, la recherche heuristique et A*. Ces algorithmes aident les apprenants à comprendre les espaces d'état, les chemins, les coûts, les heuristiques et l'exploration systématique.
Les étudiants mettent en œuvre des fonctions de minimax, d'expectiminimax, d'évaluation et d'élagage alpha-bêta. Ils apprennent comment les moteurs d'échecs comparent les coups candidats et comment l'élagage rend la recherche profonde plus efficace.
Des énigmes telles que la Tournée des chevaux et les Huit reines rendent le retour en arrière visible. Les élèves apprennent comment un algorithme tente un choix, détecte un échec, revient et explore d'autres solutions.
Le Diamant de Suli devient une leçon de programmation dynamique, d'espaces d'états, de résultats stockés, de raisonnement à la manière d'une base de données et de relation entre les énigmes historiques et l'informatique moderne.
Les élèves établissent un lien entre les décisions du jeu de société et les récompenses, les mises à jour de valeur, l'apprentissage Q, l'apprentissage par différence temporelle, les réseaux Q profonds, les déploiements de Monte Carlo, les SCTM et l'auto-jeu de type AlphaZero.
La séquence d'algorithmes comprend la représentation du plateau, la génération de mouvements, le backtracking, DFS, BFS, Uniform Cost Search, A*, minimax, expectiminimax, alpha-beta pruning, la programmation dynamique, l'apprentissage par renforcement, Q-learning, deep Q-networks, Monte Carlo rollouts, Monte Carlo Tree Search, PUCT, policy/value networks, et AlphaZero-style pipelines.
Ces algorithmes ne sont pas enseignés en tant que théorie informatique isolée. Ils sont enseignés à travers l'histoire culturelle et intellectuelle des jeux : puzzles anciens, shatranj médiéval, positions manuscrites, moteurs d'échecs modernes et systèmes d'intelligence artificielle contemporains.
Le programme d'études de Shatranj.ai est conçu comme un parcours constructible. Les étudiants commencent par les bases de l'informatique et Python, puis passent à la modélisation de jeux de société, aux algorithmes de recherche, aux moteurs de jeux d'IA, à l'apprentissage par renforcement et aux systèmes d'apprentissage de type AlphaZero.
Découvrez le programme Shatranj.ai • Visitez la plateforme d'apprentissage Shatranj.ai
Le jeu d'échecs a été l'un des laboratoires publics les plus importants de l'histoire de l'intelligence artificielle. Il a aidé les chercheurs à poser des questions fondamentales : Les machines peuvent-elles raisonner ? Peuvent-elles rechercher des futurs possibles ? Peuvent-elles évaluer des positions ? Peuvent-elles apprendre sans qu'on leur dise explicitement ce qu'elles doivent faire ?
Shatranj.ai utilise cette histoire comme une colonne vertébrale pédagogique. Les élèves découvrent l'histoire des échecs et de l'IA non pas comme une liste de machines célèbres, mais comme une suite d'idées : représentation, recherche, évaluation, optimisation, apprentissage, contraintes matérielles, explicabilité et collaboration homme-machine.
Cette approche historique aide les institutions à enseigner l'IA comme une histoire humaine : une histoire d'idées, de cultures, d'outils, de limites, d'expériences et de choix éthiques.
Le discours public phare de cette philosophie éducative est le discours TEDxBoston : Les échecs : un pont entre les cultures, une source d'inspiration pour l'IA et une redéfinition de l'éducation.
Cet exposé fait le lien entre l'enseignement des échecs, le patrimoine culturel, la conception inclusive, les pièces d'échecs historiques, les puzzles anciens et la relation profonde entre les échecs et l'intelligence artificielle.
Voir le montage étendu de Shatranj.ai • Voir la version TEDxBoston • Voir toutes les conférences de Shatranj.ai
L'IA dans l'éducation ne devrait pas se limiter au seul codage. Le modèle Shatranj.ai relie l'intelligence artificielle à l'histoire, l'art, la philosophie, la langue, la littérature, l'économie, l'éthique, le patrimoine culturel, les mathématiques, l'informatique et les sciences sociales.
Les élèves étudient comment les échecs, le shatranj et les jeux apparentés ont traversé les civilisations, les langues, les manuscrits et les traditions visuelles.
Le tableau devient un laboratoire de coordonnées, de comptage, de géométrie, de combinatoire, de croissance exponentielle, de recherche et d'optimisation.
Les élèves discutent de l'équité, de la possibilité d'expliquer, de l'utilisation responsable, des coûts environnementaux, du jugement humain et de l'impact social des systèmes d'IA.
Cette approche pluridisciplinaire rend l'IA plus accessible aux étudiants qui peuvent y accéder par différents biais : la logique, l'art, le langage, l'histoire, les jeux, le design, les mathématiques, la narration ou les questions sociales.
Shatranj.ai considère l'éthique de l'IA comme une partie intégrante du programme d'études, et non comme une réflexion après coup. Les étudiants doivent comprendre non seulement ce que l'IA peut faire, mais aussi ce qu'elle coûte, où elle échoue, qui elle affecte et comment elle devrait être gouvernée.
Notre modèle d'IA dans l'éducation peut soutenir les discussions en classe :
Shatranj.ai offre aux institutions un modèle pratique d'enseignement de l'IA qui est culturellement riche, techniquement significatif et adaptable à différents contextes.
Le programme peut prendre en charge :
Cette approche est particulièrement utile pour les institutions qui souhaitent que l'enseignement de l'IA soit compréhensible, éthique, pratique, culturellement inclusif et lié à des résultats d'apprentissage mesurables.
Shatranj.ai fait partie d'un écosystème plus large qui relie les programmes d'études, la mise en œuvre dans les écoles, le patrimoine culturel, la sensibilisation des organisations à but non lucratif et la communication publique.
Un parcours de construction et d'expérimentation de l'IA basé sur les échecs, le shatranj, les jeux de plateau historiques, Python, les algorithmes d'IA et les logiciels d'échecs modernes.
Une étude historique de la fin de partie de shatranj utilisée pour enseigner la programmation dynamique, les bases de table, les espaces d'état, la vérification et la préservation du patrimoine intellectuel.
Une exposition sur le patrimoine culturel destinée aux écoles, qui met en relation des jeux d'échecs, des manuscrits, des pièces historiques, l'inclusion, la culture visuelle et des récits éducatifs.
Une base de programme d'échecs pour la petite enfance et l'école primaire liée aux échecs à l'école obligatoire, aux routines en classe, à l'apprentissage socio-émotionnel et à l'apprentissage multilingue des échecs.
Les institutions ont besoin de plus que de l'inspiration. Ils ont besoin de résultats d'apprentissage clairs, d'un soutien aux enseignants, de matériel réutilisable et d'un parcours qui peut être adapté à différents âges et contextes.
Le modèle d'IA dans l'éducation de Shatranj.ai peut soutenir des résultats tels que
Nous sommes ouverts aux conversations avec les écoles, les ministères, les universités, les fondations, les organisations à but non lucratif, les municipalités, les fédérations d'échecs, les institutions culturelles et les responsables de l'éducation intéressés par la mise en œuvre de l'éducation à l'IA par le biais des échecs et des jeux de société historiques.
Shatranj.ai enseigne l'IA à travers les échecs, le shatranj et les jeux de société historiques. Les élèves apprennent comment les systèmes intelligents représentent des états, génèrent des mouvements, recherchent des possibilités, évaluent des choix, apprennent à partir du retour d'information et s'améliorent au fil du temps.
La maîtrise de l'IA fait partie du parcours, mais l'objectif plus large est d'aider les étudiants à devenir de futurs architectes de l'IA. Ils apprennent non seulement ce qu'est l'IA, mais aussi comment les systèmes d'IA sont construits, testés, expliqués et améliorés.
Le programme introduit la représentation du tableau, la génération de coups légaux, le backtracking, DFS, BFS, Uniform Cost Search, A*, minimax, expectiminimax, alpha-beta pruning, la programmation dynamique, l'apprentissage par renforcement, Q-learning, deep Q-networks, Monte Carlo rollouts, Monte Carlo Tree Search, PUCT, et l'auto-jeu de type AlphaZero-.
Les jeux de société rendent l'IA visible. Chaque position a un état, chaque mouvement modifie l'état, chaque règle peut être codée et chaque algorithme peut être inspecté. Les jeux de société historiques relient également l'enseignement de l'IA à la culture, au patrimoine, à la conception et à la prise de décision humaine.
Non. Les étudiants n'ont pas besoin d'être de grands joueurs d'échecs. Les jeux sont utilisés comme des environnements d'apprentissage de la logique, de la programmation, des algorithmes, de la culture, de l'éthique et des concepts de l'IA.
Oui, les écoles peuvent utiliser Shatranj.ai comme un parcours d'IA modulaire pour les cours facultatifs, les clubs, les programmes STEAM, les ateliers de codage, les projets interdisciplinaires, les programmes de formation des enseignants et les activités d'innovation pour les jeunes.
Les étudiants discutent de l'explicabilité, de l'équité, du jugement humain, de l'automatisation responsable et de l'impact environnemental de l'informatique de l'IA. L'objectif est de développer une compréhension technique ainsi qu'une responsabilité éthique.
Cette page propose aux institutions un modèle clair d'enseignement de l'IA : un programme culturellement inclusif, une séquence d'algorithmes pouvant être enseignés, des voies pratiques de mise en œuvre dans les écoles, un encadrement éthique et des liens vers des programmes, des conférences, du matériel pédagogique et des résultats de projets.
