Reconnaître un visage, traduire un texte, recommander une vidéo : ces tâches sont aujourd’hui réalisées par des programmes d’intelligence artificielle (IA). La plupart reposent sur l’apprentissage automatique : au lieu d’écrire toutes les règles à la main, on fournit à un algorithme un grand nombre d’exemples, à partir desquels il construit lui-même un modèle. Comprendre ce principe permet d’en saisir la puissance et les limites.
Une question sur ce cours ?
ULU, le tuteur d’ULUMINE, t’aide à partir de ce cours.
Objectifs
- Distinguer un algorithme classique d’un algorithme d’apprentissage automatique
- Expliquer le rôle des données d’entraînement et de test
- Appliquer l’algorithme des k plus proches voisins sur un exemple simple
- Décrire le fonctionnement d’un neurone artificiel et les enjeux de l’IA (biais, énergie, éthique)
1. De l’algorithme à l’apprentissage
Un algorithme classique applique des règles écrites explicitement par un programmeur. Pour certaines tâches (reconnaître un chat sur une photo), il est presque impossible d’écrire ces règles. L’apprentissage automatique (en anglais « machine learning ») contourne la difficulté : l’algorithme ajuste lui-même les paramètres d’un modèle à partir d’exemples.
Apprentissage supervisé : Apprentissage à partir de données étiquetées : chaque exemple est fourni avec la bonne réponse (par exemple « image de chat » / « image de chien »). Le modèle apprend à prédire l’étiquette de nouvelles données.
- Classification : prédire une catégorie (spam ou non, espèce d’une fleur, chiffre manuscrit).
- Régression : prédire une valeur numérique (prix, température), par exemple avec une droite d’ajustement.
2. Entraîner et évaluer un modèle
- On réunit un ensemble de données étiquetées.
- On le partage en un jeu d’entraînement (souvent la plus grande partie) et un jeu de test.
- L’algorithme apprend sur le jeu d’entraînement.
- On mesure ses performances sur le jeu de test, qu’il n’a jamais vu.
taux de réussite =
Surapprentissage : Situation où un modèle « apprend par cœur » les données d’entraînement, y compris leurs particularités, et généralise mal à de nouvelles données : excellent sur l’entraînement, médiocre sur le test.
Évaluer un classifieur
Un modèle classe 250 images de test ; 215 classements sont corrects.
- Taux de réussite = 215 ÷ 250
- = 0,86
Le modèle réussit 86 % des classements sur des données nouvelles.
3. L’algorithme des k plus proches voisins
Pour classer un nouvel élément, on calcule sa distance à tous les exemples étiquetés, on retient les k plus proches et on lui attribue la classe majoritaire parmi eux.
d = √((x₂ − x₁)² + (y₂ − y₁)²)
Classer un point avec k = 3
Exemples : A(1 ; 1) rouge, B(2 ; 1) rouge, C(4 ; 4) bleu, D(5 ; 4) bleu, E(4 ; 5) bleu. Nouveau point P(2 ; 2).
- PB = 1 ; PA = √2 ≈ 1,41 ; PC = √8 ≈ 2,83 ; PD = PE = √13 ≈ 3,61
- Les 3 plus proches voisins : B (rouge), A (rouge), C (bleu)
- Classe majoritaire : rouge
P est classé rouge.
4. Neurones artificiels et enjeux
Un neurone artificiel calcule une somme pondérée de ses entrées et la compare à un seuil : s = w₁ × x₁ + w₂ × x₂ ; il renvoie 1 si s dépasse le seuil, 0 sinon. Un réseau de neurones en enchaîne des milliers ou des millions ; l’apprentissage consiste à ajuster les poids w pour réduire les erreurs sur les exemples.
| Enjeu | Explication |
|---|---|
| Biais | Si les données d’entraînement sont peu représentatives (une population sous-représentée), le modèle reproduit ou amplifie ces biais. |
| Explicabilité | Il est souvent difficile de savoir pourquoi un grand réseau a pris une décision. |
| Énergie | L’entraînement de grands modèles et le stockage des données consomment beaucoup d’électricité. |
| Données personnelles | Les données utilisées doivent être protégées (en Europe, le RGPD encadre leur usage). |
À retenir
- L’apprentissage automatique construit un modèle à partir d’exemples plutôt que de règles écrites à la main.
- Apprentissage supervisé : données étiquetées ; classification (catégorie) ou régression (valeur).
- On entraîne sur un jeu de données et on évalue sur un jeu de test distinct ; attention au surapprentissage.
- k plus proches voisins : distance, k voisins les plus proches, vote majoritaire.
- Neurone artificiel : somme pondérée comparée à un seuil ; enjeux : biais, explicabilité, énergie, données personnelles.
Et maintenant, à toi !
Vérifie que tu as compris avec les exercices, puis révise avec la fiche.