L'apprentissage automatique : cours de SNT en seconde

Tu croises des algorithmes d'intelligence artificielle tous les jours, souvent sans t'en rendre compte. Ils recommandent un produit à un client, proposent une liste de musiques selon les goûts de l'utilisateur, aident à piloter des voitures de façon autonome, élaborent un diagnostic médical ou personnalisent le fil d'activité d'un réseau social.¹ Pour fonctionner, la plupart de ces outils reposent sur une même idée : apprendre à partir d'exemples.

Cette idée porte un nom : l'apprentissage automatique, appelé aussi machine learning en anglais.¹ Dans ce cours, tu vas comprendre ce que cela veut dire, comment un modèle est construit, pourquoi les données comptent autant que le programme, et comment on vérifie qu'un modèle est fiable.

L'intelligence artificielle a des effets importants sur la manière dont les élèves apprennent, et elle entraîne des conséquences sociales, économiques, cognitives et civiques.³ C'est une raison de plus pour comprendre son fonctionnement de base : on utilise mieux un outil quand on sait comment il a été fabriqué et où il peut se tromper.

Tu n'as pas besoin de connaître les mathématiques qui font tourner ces modèles. Ce qui compte en seconde, c'est de saisir le principe : des exemples en entrée, un modèle qui s'ajuste, un contrôle sur des cas nouveaux, et un regard critique sur le résultat.

Pour bien saisir l'intérêt de cette approche, comparons deux manières de résoudre un même problème : reconnaître si une photo montre un chat ou un chien.

Première manière : écrire les règles. Le programmeur décrit à la main ce qui distingue les deux animaux : forme des oreilles, longueur du museau, taille, etc. Très vite, cela devient impossible. Les animaux sont photographiés de face, de profil, dans l'ombre, à moitié cachés. Chaque cas oblige à ajouter une règle, et il en reste toujours qui échappent.

Seconde manière : donner des exemples. On montre au programme des milliers de photos, en précisant pour chacune « chat » ou « chien ». Le programme repère par lui-même, dans les images, les régularités qui aident à répondre. Personne n'a écrit « un chat a telles oreilles » : le programme a ajusté ses réglages internes jusqu'à se tromper de moins en moins.

Un modèle d'apprentissage automatique n'est jamais meilleur que les exemples qu'on lui donne. L'ensemble de ces exemples s'appelle un jeu de données. Les ressources pour l'école insistent sur des notions comme les données bien étiquetées, l'apprentissage machine et les biais.¹

Étiqueter des données demande souvent un travail humain long. Si l'étiquette est fausse, le modèle apprend une erreur. Un jeu de données où 10 photos de chiens ont reçu l'étiquette « chat » enseigne au modèle une confusion qu'il reproduira ensuite.

Trois qualités comptent pour un bon jeu de données :

• la quantité : il faut assez d'exemples pour que le modèle repère des régularités et pas des hasards ;
• la qualité : les étiquettes sont justes, les images lisibles ;
• la variété : les exemples couvrent les situations que le modèle rencontrera, de jour comme de nuit, de face comme de profil.

Un programme d'apprentissage automatique produit un modèle : un ensemble de réglages internes qui transforme une entrée (une image, un texte, une mesure) en une sortie (une catégorie, une valeur, une décision). Le modèle est construit en deux temps : l'entraînement, puis le test.

Pourquoi séparer les deux ? Imagine un élève qui apprend par cœur les corrigés d'un devoir. Si l'on lui repose exactement les mêmes questions, il réussira, mais cela ne prouve pas qu'il a compris. Pour savoir s'il a compris, on lui pose des questions nouvelles. Pour un modèle, c'est pareil : on garde de côté une partie des données, qui ne servira qu'au test.

Dans les cas précédents, on montre au modèle des exemples avec leur réponse. Mais certaines situations ne s'y prêtent pas : conduire un robot, équilibrer un objet, jouer à un jeu. Il n'existe pas de « bonne réponse » toute faite pour chaque moment, il faut choisir des actions et en voir les conséquences.

L'apprentissage par renforcement traite justement le problème comme une tâche de prise de décision.² Le programme (appelé agent) agit, observe ce qui se passe, et reçoit une récompense quand il s'approche du but, une pénalité quand il s'en éloigne. Au fil des essais, il retient quelles décisions rapportent le plus.

Comme un modèle apprend ce que ses données contiennent, il en reproduit aussi les défauts. L'éducation à l'IA vise précisément à former les élèves à un usage raisonné de ces outils, et notamment à leur faire découvrir les biais algorithmiques et les discriminations liées aux jeux de données, qui peuvent perpétuer certains stéréotypes.¹