L’IA qui apprend sur des données

L'essentiel

Comment une IA « apprend »-elle ? Pas comme on écrit un programme habituel, où l'humain donne toutes les règles. Une IA apprend un peu comme toi quand tu reconnais un fruit : à force d'en voir, tu sais dire « pomme » ou « poire » sans qu'on t'ait donné la liste de toutes les règles.

C'est l'apprentissage automatique (on dit aussi machine learning). Il se passe en trois temps. Un : on rassemble beaucoup d'exemples, souvent étiquetés — des milliers de photos avec l'étiquette « pomme » ou « poire ».

Deux : la phase d'entraînement. Un programme montre les exemples au modèle, encore et encore, et le modèle s'ajuste tout seul pour se tromper de moins en moins ; il repère peu à peu ce qui distingue une pomme d'une poire. Trois : une fois l'entraînement terminé, on peut lui donner une photo nouvelle, jamais vue : il fait une prédiction (« c'est une pomme, probablement »).

L'idée à retenir : personne n'a écrit la règle « une pomme est ronde et rouge » ; le modèle l'a trouvée tout seul dans les exemples. Et plus il a vu d'exemples variés et corrects, mieux il prédit.

Comprendre

Le BO 2024 de technologie cite, parmi les Connaissances, les grands types d'apprentissage des intelligences artificielles. Au collège, l'essentiel est de comprendre le principe de l'apprentissage automatique et sa différence radicale avec la programmation classique. Dans un programme classique, un humain écrit les règles ; dans l'apprentissage automatique, on fournit des exemples et c'est un programme d'entraînement qui construit les « règles » implicites en ajustant un modèle.

La séquence est claire : (1) on rassemble des données d'exemples, souvent étiquetées (une entrée + la bonne réponse attendue) ; (2) pendant l'entraînement, le modèle traite ces exemples de façon répétée et se corrige pour réduire ses erreurs, jusqu'à repérer des régularités ; (3) une fois entraîné, le modèle est utilisé en prédiction (ou inférence) : on lui présente une entrée nouvelle et il fournit une réponse. Le programme cite « les grands types d'apprentissage des intelligences artificielles » : il y en a trois à connaître, et une phrase suffit pour chacun. L'apprentissage SUPERVISÉ : on fournit des exemples ÉTIQUETÉS (une entrée et la bonne réponse), et la machine apprend en comparant sa réponse à celle qu'on attendait — c'est ainsi qu'on entraîne un modèle à reconnaître un chat ou à trier des courriels.

L'apprentissage NON SUPERVISÉ : on fournit des exemples SANS étiquette, et la machine regroupe d'elle-même ceux qui se ressemblent, sans savoir comment les appeler — c'est ainsi qu'un service regroupe des clients aux habitudes voisines. L'apprentissage PAR RENFORCEMENT : la machine ESSAIE, reçoit une récompense quand le résultat est bon et une pénalité sinon, et renforce peu à peu les stratégies gagnantes — c'est ainsi qu'un programme apprend à jouer. Le BO ajoute que ces apprentissages servent des usages variés : « géolocalisation, identification, calcul, traduction, etc. ».

Deux idées structurantes doivent rester en tête. D'abord, la règle n'est pas donnée, elle est apprise : c'est un renversement complet par rapport à un programme classique. Ensuite, la qualité de l'apprentissage dépend entièrement des exemples : un modèle entraîné sur des exemples peu nombreux, peu variés ou erronés apprendra mal — ce qui prépare directement les concepts suivants sur les données d'entraînement et les biais.

Enfin, il faut éviter d'imaginer que le modèle « retient » les exemples comme une liste : il en tire des régularités qui lui permettent de généraliser à des cas nouveaux, et c'est justement ce qui fait sa valeur.

Le cours

On sait maintenant qu'une IA apprend d'exemples. Mais concrètement, comment cet apprentissage se déroule-t-il ? C'est ce qu'on appelle l'apprentissage automatique — en anglais machine learning.

Comprendre son déroulement, c'est comprendre le cœur du fonctionnement d'une IA. Partons d'une comparaison. Pour apprendre à un enfant à reconnaître un chien, on ne lui récite pas une liste de règles (« quatre pattes, une queue, des poils… ») : on lui montre beaucoup de chiens, en les nommant, et à force il sait reconnaître un chien qu'il n'a jamais vu.

L'apprentissage automatique fonctionne sur ce principe, mais avec un ordinateur et des milliers, voire des millions d'exemples. Le processus se déroule en trois grandes étapes. Première étape : rassembler les données d'exemples.

Le plus souvent, ces exemples sont étiquetés, c'est-à-dire accompagnés de la bonne réponse : une photo + l'étiquette « chat », un courriel + l'étiquette « spam » ou « normal », un enregistrement de voix + le texte correspondant. Ces exemples sont la matière première de l'apprentissage. Deuxième étape : l'entraînement.

On fait passer les exemples dans un modèle — un grand ensemble de calculs réglables. Au début, le modèle se trompe beaucoup. À chaque exemple, on compare sa réponse à la bonne réponse, et le modèle s'ajuste un peu pour réduire son erreur.

En répétant l'opération sur d'innombrables exemples, il finit par repérer des régularités : ce qui fait qu'un chat ressemble à un chat, ce qui fait qu'un courriel ressemble à un spam. Personne n'a écrit ces règles ; le modèle les a construites tout seul en s'entraînant. Troisième étape : la prédiction (on dit aussi l'inférence).

Une fois l'entraînement terminé, le modèle est prêt. On lui présente une entrée nouvelle, jamais vue — une photo, un courriel, une phrase — et il fournit sa réponse : « c'est un chat », « c'est un spam », « voici la traduction ». C'est le moment où l'IA sert vraiment.

Le programme de technologie parle des « grands types d'apprentissage des intelligences artificielles ». Il y en a trois à connaître, et ils se distinguent par ce qu'on donne à la machine. L'apprentissage SUPERVISÉ, le plus facile à comprendre, est celui qu'on vient de décrire : on donne des exemples ÉTIQUETÉS — une entrée et, avec elle, la bonne réponse.

La machine propose sa réponse, on la compare à l'étiquette, et le modèle s'ajuste. Reconnaître un chat sur une photo, trier les courriels en « spam » ou « normal », lire un chiffre manuscrit : tout cela s'apprend ainsi. L'apprentissage NON SUPERVISÉ se passe d'étiquettes.

On donne seulement les exemples, sans dire ce qu'ils sont, et la machine REGROUPE d'elle-même ceux qui se ressemblent. Elle ne sait pas nommer les groupes qu'elle trouve : elle repère seulement des ressemblances. Un service de vente en ligne l'utilise, par exemple, pour regrouper les clients aux habitudes d'achat voisines.

L'apprentissage PAR RENFORCEMENT ne part ni d'étiquettes ni de regroupements, mais d'ESSAIS. La machine agit, reçoit une récompense quand le résultat est bon et une pénalité quand il est mauvais, puis recommence en renforçant les stratégies qui rapportent. C'est ainsi qu'un programme apprend à jouer, ou qu'un robot apprend à se déplacer sans tomber.

Dans les trois cas, l'idée centrale demeure : la machine apprend en s'exerçant sur des exemples ou des expériences, elle ne reçoit pas la solution toute faite. Ces apprentissages servent des usages très divers, que le programme énumère : « géolocalisation, identification, calcul, traduction, etc. ». Deux enseignements sont à retenir absolument.

Le premier : la règle n'est pas donnée, elle est apprise. C'est le renversement complet par rapport à un programme classique, et c'est ce qui donne à l'IA sa souplesse. Le second, tout aussi important : la qualité de ce que l'IA apprend dépend entièrement des exemples qu'on lui donne.

Un modèle entraîné sur peu d'exemples, sur des exemples peu variés ou sur des exemples faux apprendra mal et se trompera. Ce n'est pas un détail : c'est exactement ce qui explique, comme on le verra bientôt, l'importance capitale des données d'entraînement et l'apparition des biais. Apprendre d'exemples fait la force de l'IA — et, quand les exemples sont mauvais, sa faiblesse.

Les erreurs fréquentes

Confondre les trois grands types d'apprentissage : croire que le non supervisé « devine » les étiquettes, ou que le renforcement est du supervisé.

Ce qui les distingue, c'est ce qu'on donne à la machine. Supervisé : des exemples ÉTIQUETÉS, la bonne réponse est fournie. Non supervisé : AUCUNE étiquette — la machine regroupe ce qui se ressemble, sans savoir nommer les groupes. Par renforcement : ni étiquettes ni groupes, mais des ESSAIS récompensés ou pénalisés.

Croire qu'un humain a écrit à la main les règles que l'IA applique (comme dans un programme classique).

En apprentissage automatique, personne n'écrit la règle : on fournit de nombreux exemples et le modèle construit tout seul, pendant l'entraînement, les régularités qui lui serviront ensuite à répondre. La règle est apprise, pas dictée.

Penser que le modèle « retient » simplement la liste des exemples, comme on apprend un texte par cœur.

Le modèle ne stocke pas les exemples un par un : il en tire des régularités générales, ce qui lui permet de répondre correctement à des cas nouveaux qu'il n'a jamais rencontrés (il généralise). C'est justement l'intérêt de l'apprentissage.

Confondre la phase d'entraînement et la phase d'utilisation (prédiction).

L'entraînement est le moment où le modèle apprend en s'ajustant sur des exemples ; la prédiction est le moment, ensuite, où le modèle déjà entraîné répond à une entrée nouvelle. Ce sont deux étapes distinctes : on apprend d'abord, on utilise après.

Tu maîtrises la notion si…

• Expliquer qu'une IA s'entraîne à partir de nombreux exemples plutôt qu'à partir de règles écrites à l'avance.
• Décrire les trois étapes de l'apprentissage automatique : rassembler des exemples, entraîner le modèle, faire une prédiction sur un cas nouveau.
• Relier la qualité de l'apprentissage à la qualité et à la quantité des exemples fournis.
• Nommer et distinguer les trois grands types d'apprentissage : supervisé (exemples étiquetés), non supervisé (regrouper sans étiquettes), par renforcement (essais et récompenses).

Vérifie que tu as compris

1. Dans l'apprentissage automatique, comment une IA obtient-elle ses « règles » ?

   Réponse Elle les apprend toute seule en s'entraînant sur de nombreux exemples

   En apprentissage automatique, la règle n'est pas dictée : le modèle la construit lui-même à partir d'exemples, pendant l'entraînement.

2. Quel est le bon ordre des étapes de l'apprentissage automatique ?

   Réponse Exemples étiquetés → entraînement → prédiction sur un cas nouveau

   On rassemble d'abord des exemples, puis on entraîne le modèle (il s'ajuste), et enfin on l'utilise pour prédire sur des cas nouveaux.

3. Pendant la phase d'entraînement, que fait le modèle d'une IA ?

   Réponse Il compare ses réponses aux bonnes réponses et s'ajuste pour réduire ses erreurs

   L'entraînement consiste à répéter les exemples et à ajuster le modèle pour qu'il se trompe de moins en moins et repère des régularités.