ULUMINE · Enseignement scientifique · Terminale
L’intelligence artificielle
L’IA moderne apprend à partir de données : sa qualité dépend des exemples fournis et de son évaluation.
Principes
- Apprentissage supervisé : données étiquetées → modèle → prédiction.
- Classification (catégorie) ou régression (valeur).
- Entraînement puis test sur des données jamais vues ; taux de réussite = correct ÷ total.
Algorithmes
- k plus proches voisins : d = √((x₂ − x₁)² + (y₂ − y₁)²), vote majoritaire, k souvent impair.
- Neurone : s = w₁x₁ + w₂x₂ comparé à un seuil ; l’apprentissage ajuste les poids.
Enjeux
- Biais des données, explicabilité, énergie, données personnelles (RGPD).
- Un modèle repère des régularités, il ne comprend pas.
Pièges à éviter
- Évaluer un modèle sur ses données d’entraînement.
- Oublier le vote majoritaire ou mal compter les k voisins.
- Croire qu’un taux de réussite élevé suffit quand une classe est rare.