Comment une machine apprend

Au chapitre 1, on a vu qu’une IA apprend « par l’exemple ». D’accord, mais concrètement, comment une machine peut-elle apprendre ? Elle n’a pas de cerveau, seulement des nombres et des calculs. Dans ce chapitre, tu vas entraîner une IA toi-même et voir ce qui se passe à l’intérieur.

La boucle d’apprentissage

Comme quand tu apprends à lancer au basket

Au premier lancer, tu rates : trop court. Tu corriges, tu lances plus fort. Trop long. Tu corriges un peu moins. Au bout de cent lancers, tu marques presque à chaque fois. Personne ne t’a donné la formule : tu as ajusté à partir de tes erreurs.

Une IA fait exactement la même chose, sauf qu’elle le fait des millions de fois, très vite.


La boucle d'apprentissage : on la répète des millions de fois

À toi de jouer : pomme ou citron ?

Voici une IA minuscule qui doit trier des fruits. Elle ne connaît que deux choses sur chaque fruit : sa couleur (du jaune au rouge) et son poids. Au début, sa règle est tirée au hasard : elle se trompe souvent.

Montre-lui les fruits un par un et regarde la frontière bouger à chaque erreur.

pomme citron zone où la machine dit « pomme »

Exemples vus

Fruits mal classés

6 / 14

La machine part d’une règle au hasard. Montre-lui des fruits un par un : à chaque erreur, elle déplace un peu sa frontière.

Astuce : clique n’importe où dans le graphique pour lui montrer un fruit mystère.

Une vraie IA, en tout petit : elle n'a que trois réglages, et elle les ajuste à chaque erreur

Ce que tu viens de voir est vraiment de l’apprentissage automatique (en anglais machine learning). Personne n’a écrit « une pomme est rouge et lourde » : la machine a trouvé seule où tracer la frontière, juste en se corrigeant.

Le plus important, c’est le fruit mystère : clique dans le graphique pour lui montrer un fruit qu’elle n’a jamais vu. Elle répond quand même, parce qu’elle a appris une règle générale, pas une liste de fruits. C’est tout l’intérêt de l’IA.

?Dans la démo, que fait l'IA quand elle classe correctement un fruit ?

À l’intérieur : des neurones artificiels

Un neurone, c’est un vote pondéré

Tu te demandes si tu vas au cinéma ce soir. Plusieurs choses comptent, mais pas autant les unes que les autres :

ton meilleur ami vient : ça compte beaucoup pour ;
il pleut : ça compte un peu pour (de toute façon tu ne vas pas jouer dehors) ;
tu as un contrôle de maths demain : ça compte beaucoup contre.

Tu additionnes tout ça dans ta tête, et si le total dépasse un certain seuil, tu y vas. Un neurone artificiel fait exactement ce calcul. Les « à quel point ça compte » s’appellent des poids.

Entrées (oui / non) et leur poids : à quel point chacune compte

Ton meilleur ami vient+3

Le film a de super critiques+2

Il pleut dehors+1

Contrôle de maths demain-4

somme des votes

seuil : 2

Je reste à la maison

Seuil de décision

Coche les entrées, change les poids et le seuil : le neurone décide

Apprendre, pour une IA, c’est trouver les bons poids.

Dans la démo des fruits, l’IA avait trois poids (un pour la couleur, un pour le poids du fruit, et le seuil). L’entraînement consistait à les ajuster. Rien de plus.

Un réseau : des neurones en équipe

Un seul neurone ne sait faire que des choses simples, comme tracer une ligne droite. Pour reconnaître un visage, on en relie des milliers, voire des milliards, en couches : chaque couche se sert de ce qu’a trouvé la précédente.


Un réseau de neurones qui reconnaît un chat : chaque couche voit des choses plus complexes

Personne ne dit à la couche 3 de chercher des oreilles. Pendant l’entraînement, le réseau découvre tout seul que repérer des oreilles l’aide à moins se tromper. C’est ce qu’on appelle le deep learning (apprentissage profond) : « profond » parce qu’il y a beaucoup de couches.

poids

L'IA des fruits, ci-dessus

~100 000

poids

Un petit réseau qui lit des chiffres écrits à la main

1 000 Md

de poids et plus (Md = milliards)

Les plus gros modèles comme ChatGPT (ordre de grandeur)

Pour aller plus loin · enrichissement

Comment l'IA sait dans quel sens corriger ?

Dans un réseau avec des milliards de poids, on ne peut pas essayer au hasard. L’IA calcule, pour chaque poids, s’il faut l’augmenter ou le diminuer pour réduire l’erreur. Imagine-toi perdu en montagne dans le brouillard, et tu veux descendre dans la vallée : tu tâtes le sol autour de toi et tu fais un pas dans le sens de la pente. Puis tu recommences.

Les chercheurs appellent ça la descente de gradient. C’est une technique mathématique que tu verras peut-être en terminale ou après le bac, avec les dérivées.

Les données décident de tout

On ne récolte que ce qu’on sème

Une IA ne sait que ce qu’on lui a montré. Si on ne lui montre que des pommes rouges, elle prendra une pomme verte pour un citron. Les informaticiens résument ça en une phrase : garbage in, garbage out (« des déchets en entrée, des déchets en sortie »).

L’IA n’est donc pas neutre : elle reflète les exemples qu’on lui a donnés, avec leurs trous et leurs préjugés. Si des CV d’hommes ont été plus souvent retenus dans le passé, une IA de recrutement entraînée dessus risque de continuer à préférer les hommes. C’est arrivé à Amazon, qui a dû abandonner son outil.

Par cœur contre compris

Tu connais sûrement quelqu’un qui apprend les corrigés des exercices par cœur. Il a 20 si le contrôle reprend exactement les mêmes exercices, et il est perdu dès qu’on change un chiffre.

Les IA ont le même défaut. Si on l’entraîne trop longtemps sur les mêmes exemples, elle finit par les apprendre par cœur au lieu de trouver la règle générale. Les spécialistes appellent ça le surapprentissage (overfitting).

L'IA qui a appris par cœur

100 % de réussite sur les exemples d’entraînement
Se trompe beaucoup sur des cas nouveaux
Comme l’élève qui récite les corrigés

L'IA qui a compris

Un peu moins parfaite à l’entraînement
Fiable sur des cas jamais vus
Comme l’élève qui a compris la méthode

C’est pour ça qu’on garde toujours des exemples cachés pendant l’entraînement. À la fin, on fait passer à l’IA un « contrôle surprise » avec ces exemples qu’elle n’a jamais vus. C’est sa vraie note.

?Une IA de tri de photos a été entraînée uniquement sur des photos de chiens prises en plein jour. Que va-t-il probablement se passer avec une photo de chien prise la nuit ?

?Quelle phrase décrit le mieux ce qu'apprend une IA pendant son entraînement ?

À retenir

Apprendre = deviner, comparer, corriger, recommencer. Des millions de fois, sur des exemples dont on connaît la réponse.
Un neurone artificiel est un vote pondéré. Il additionne des indices plus ou moins importants et décide selon un seuil.
Tout ce que l’IA sait est rangé dans ses poids. L’entraînement consiste à trouver les bons poids. Un réseau, ce sont des neurones empilés en couches.
L’IA ne vaut pas mieux que ses données. Des exemples incomplets ou injustes donnent une IA qui se trompe ou qui discrimine.
Par cœur n’est pas comprendre. On juge une IA, comme un élève, sur des exemples qu’elle n’a jamais vus.

À la fin de cette session, tu sais