Enseigner et apprendre les SIG à l’ère de l’IA (partie 2 de 3)

À l’ère de l’IA, les étudiants en SIG qui se démarqueront ne seront pas ceux qui l’utilisent le plus, mais ceux qui comprennent le mieux ce qu’ils font et pourquoi ils le font. Cette différence repose sur quatre domaines de compétences interreliés, et le choix des bons outils n’en est qu’un aspect.

Le premier billet de cette série reposait sur une idée simple : la valeur des outils d’IA dépend du jugement qui guide leur utilisation. Ce jugement se développe par un véritable travail sur des problèmes spatiaux, et non par la simple exposition à des résultats bien présentés. Pour les étudiants qui entreprennent aujourd’hui un programme en SIG ou en géospatial, au Canada comme ailleurs, cette réflexion a une portée très concrète. Les outils sont déjà entre leurs mains. L’IA intervient de plus en plus dans la collecte, l’analyse, la visualisation et la communication des données spatiales. La vraie question est donc de savoir si les étudiants acquièrent aussi les bases nécessaires pour utiliser ces outils avec esprit critique et responsabilité.

Ce billet présente ces bases : quatre ensembles de compétences interreliés, essentiels à tout étudiant en SIG ou en géospatial appelé à évoluer dans un domaine marqué par l’IA. Aucun ne vise à éviter l’IA; tous visent à bien s’en servir.

Ce que les outils ne peuvent pas vous dire

Un véritable défi se pose aujourd’hui dans l’apprentissage des SIG. Les étudiants ont désormais accès à des outils capables de générer des flux de travaux spatiaux, d’écrire du code d’analyse, de proposer des jeux de données et de produire, en quelques minutes, des cartes soignées. C’est un avantage réel, qu’il serait erroné de minimiser. Mais il existe un écart dont il faut parler ouvertement. Un résultat spatial convaincant en apparence ne garantit en rien la validité du raisonnement qui le sous-tend. Sans l’expérience nécessaire pour l’évaluer de façon critique, les étudiants n’ont souvent aucun moyen fiable de détecter une erreur.

Le problème fondamental est que les données spatiales ne sont pas neutres, et les outils d’IA n’en ont aucune compréhension intrinsèque. Les variables mesurées, le découpage du territoire à l’étude ou encore l’échelle d’analyse ne sont pas des choix secondaires. Ils influencent directement ce qu’une analyse peut, ou ne peut pas, révéler. Un résultat qui semble robuste dans un contexte géographique peut produire des conclusions très différentes dans un autre. Développer l’intuition nécessaire pour reconnaître ces nuances exige du temps et de la pratique. La simple lecture de résultats générés par l’IA ne peut remplacer cet apprentissage.

Les quatre domaines de compétences présentés ci-dessous constituent les bases de cette intuition.

Quatre domaines de compétences interreliés que les étudiants en SIG doivent développer à l’ère de l’IA : la pensée structurée et la culture de l’IA, la pensée spatiale et critique, la maîtrise des flux de travaux techniques, ainsi que l’éthique appliquée aux contextes géospatiaux.

1. Pensée structurée et culture de l’IA

Savoir définir un problème spatial avant de recourir à un outil est plus important que de savoir quel outil utiliser. Cela suppose de pouvoir transformer une question complexe du monde réel en un problème qu’un système d’IA peut traiter de manière pertinente. Cela signifie aussi savoir demander des explications, des hypothèses et des solutions de rechange, plutôt que de simplement obtenir une réponse.

La qualité des requêtes en est un bon exemple. Comparez les deux approches suivantes pour résoudre un même problème :

Requête peu efficace : « Utilise l’IA pour trouver le meilleur emplacement où construire une nouvelle clinique de santé à Toronto. »

Requête plus efficace : « Aide-moi à concevoir un flux de travaux fondé sur les SIG afin de repérer des emplacements potentiels pour une nouvelle clinique de santé publique à Toronto. Tiens compte de la densité de population, du temps de déplacement jusqu’aux cliniques existantes, de l’accès au transport en commun ainsi que des quartiers comptant une plus forte proportion de personnes âgées et de résidents à faible revenu. Explique les jeux de données requis, les hypothèses spatiales à expliciter, l’incidence possible de l’échelle ou du niveau d’agrégation sur les résultats, ainsi que la façon de valider la carte finale d’analyse d’adéquation. »

La seconde requête ne se limite pas à demander un résultat. Elle amène le système à rendre son raisonnement explicite. La différence ne tient pas tant à la maîtrise des techniques de formulation des requêtes qu’à la réflexion qui les précède. On ne peut poser les bonnes questions à un outil que si l’on comprend suffisamment le problème pour savoir quelles sont ces bonnes questions.

2. Pensée spatiale et critique

C’est probablement dans ce domaine que les étudiants en SIG ont le plus à perdre si l’IA remplace trop tôt leur propre réflexion, et le plus à gagner s’ils développent cette compétence de façon intentionnelle. La pensée spatiale consiste à comprendre que l’emplacement, l’échelle et le contexte ne sont pas de simples éléments de contexte : ce sont des variables qui influencent directement les résultats d’une analyse.

Les mêmes données sur le revenu médian des ménages à Halifax en 2025 sont cartographiées selon deux niveaux différents d’agrégation géographique. Les données sous-jacentes sont identiques dans les deux cartes; seule l’unité géographique utilisée diffère. Source des données : Environics Analytics, 2025.

Un bon exemple est celui du problème des unités surfaciques modifiables (MAUP). Les mêmes données peuvent faire ressortir des tendances très différentes selon le niveau d’agrégation ou les limites géographiques retenues pour les représenter. Les deux cartes de Halifax ci-dessus l’illustrent clairement : les écarts de revenu visibles à l’échelle des aires de diffusion, où l’on observe des concentrations distinctes de revenus élevés et faibles dans différents secteurs de la ville, disparaissent presque entièrement lorsque les mêmes données sont regroupées selon les aires de tri d’acheminement, qui couvrent un territoire plus vaste. La population sous-jacente n’a pas changé; seule la représentation géographique est différente. Le choix de l’unité géographique et de l’échelle relève du jugement et exige de l’expérience ainsi qu’une bonne connaissance du domaine. Il ne peut être confié aveuglément à un outil qui ne connaît ni le territoire ni son contexte.

Une autre compétence essentielle consiste à comprendre la provenance des données : savoir d’où provient un jeu de données, comment il a été produit, ce qu’il omet et le degré d’incertitude qui l’accompagne. Les outils d’IA peuvent masquer ces limites en produisant des résultats soignés à partir de données imparfaites.

La compréhension des flux de travaux fondés sur l’IA fait également partie de ces compétences. Dans un contexte géospatial, il est essentiel de savoir sur quelles données un modèle a été entraîné, comment ces données d’entraînement ont été constituées et dans quelles conditions le modèle est susceptible de produire des résultats fiables… ou non. Il ne s’agit pas d’un savoir avancé, mais d’une vérification de base. Par exemple, un modèle de classification de l’occupation du sol entraîné à partir d’images d’une région biogéographique donnée peut produire de mauvais résultats lorsqu’il est appliqué à une autre région. De même, un modèle fondé sur des données historiques peut perdre en précision lorsque les conditions évoluent. Savoir quand faire confiance à un résultat et quand le remettre en question commence par une bonne compréhension de la façon dont les données ont été recueillies et dont le flux de travaux a été conçu.

3. Maîtrise des flux de travaux techniques

Moins spectaculaire que les autres, mais tout aussi essentielle, cette compétence consiste à comprendre les flux de traitement des données, à rédiger du code reproductible, à valider les résultats et à diagnostiquer les problèmes lorsqu’ils surviennent. L’IA peut aider à accomplir toutes ces tâches, souvent avec une efficacité remarquable. Toutefois, les étudiants qui utilisent du code généré par l’IA sans en comprendre le fonctionnement bâtissent sur des bases fragiles.

Lorsque quelque chose se dérègle dans un flux de travaux réel, et cela finit toujours par arriver, il faut comprendre ce qui se passe à chaque étape pour corriger le problème. La maîtrise de ces flux ne consiste pas à mémoriser la syntaxe, mais à comprendre suffisamment la logique sous-jacente pour prendre en charge le processus, reconnaître qu’un résultat est incohérent et déterminer à quelle étape le problème est probablement survenu.

Cela suppose également de pouvoir expliquer les choix méthodologiques et les sources d’incertitude, et non seulement de présenter les résultats obtenus. Partout dans le secteur de la GeoAI, les employeurs recherchent des diplômés capables d’expliquer le raisonnement qui sous-tend leur travail à des collègues, à des clients et à des parties prenantes qui ne possèdent pas nécessairement les mêmes connaissances techniques.

4. Éthique appliquée aux contextes géospatiaux

La formation générale sur l’éthique de l’IA demeure souvent abstraite : agir avec équité, faire preuve de transparence, respecter la vie privée. En géomatique, ces principes ne sont pas de simples valeurs; ce sont des exigences opérationnelles qui prennent un sens concret selon les lieux et les contextes.

Les données de localisation figurent parmi les types de données les plus sensibles. Elles peuvent révéler où les personnes vivent, pratiquent leur religion, se rassemblent ou se déplacent. En GeoAI, l’équité consiste à se demander dans quels contextes un modèle produit des résultats fiables, où il échoue et qui subit les conséquences lorsqu’une carte apparemment objective est erronée. La transparence exige d’indiquer clairement quelles données ont servi à entraîner le modèle et lesquelles en sont absentes. Le respect de la vie privée suppose de comprendre les risques propres aux données de localisation, et non seulement les enjeux liés aux données de façon générale.

Au Canada, les questions de souveraineté des données autochtones illustrent concrètement pourquoi l’éthique en géomatique ne peut se limiter à des principes généraux. Les principes de PCAP® (propriété, contrôle, accès et possession), établis par le Centre de gouvernance de l’information des Premières Nations, précisent que les données des Premières Nations doivent être régies par les Premières Nations à toutes les étapes de leur cycle de vie : collecte, stockage, utilisation et partage. Pour les étudiants qui se destinent au secteur public, à l’évaluation environnementale ou à tout projet touchant les communautés ou les territoires autochtones, il ne s’agit pas d’un simple détail, mais d’une obligation professionnelle.

C’est pourquoi l’éthique en géomatique doit être enseignée comme une pratique, et non seulement comme un ensemble de principes. Les étudiants doivent apprendre à reconnaître les enjeux éthiques dans les décisions courantes qui jalonnent un flux de travaux : le choix des données, leur provenance, l’autorité qui en assure la gouvernance, les communautés représentées, les incertitudes communiquées et les personnes susceptibles d’être touchées par les résultats produits.

Des compétences qui prennent de la valeur avec le temps

Les offres d’emploi en GeoAI publiées aujourd’hui ne recherchent pas uniquement des compétences techniques. Elles visent des candidats capables d’évaluer les résultats, de communiquer les incertitudes, de justifier leurs choix méthodologiques et de composer avec des exigences complexes en matière de gouvernance. Ces aptitudes ne s’acquièrent pas en apprenant simplement à utiliser les outils d’aujourd’hui. Elles reposent sur la capacité d’évaluer n’importe quelle génération d’outils.

C’est là que réside leur valeur à long terme. Un étudiant qui développe dès maintenant une solide compréhension des concepts spatiaux tirera davantage parti de tous les outils à venir. Les outils évolueront, mais les fondements du raisonnement spatial, de l’évaluation critique et d’une pratique responsable demeureront les mêmes. Dans un domaine où l’IA élargit sans cesse le champ des possibles, les étudiants qui se démarqueront ne seront pas ceux qui l’utilisent le plus, mais ceux qui l’utilisent avec discernement, prudence et une compréhension claire de ce qu’ils font, des raisons qui motivent leurs choix et des conséquences qui peuvent en découler.

Ce billet a été écrit en anglais par Steven Edwards et peut être consulté ici.