L'essentiel à connaître
Une intelligence artificielle (IA) qui apprend ne suit pas une règle écrite à la main : on lui montre des exemples déjà résolus, et elle en tire seule sa façon de décider. Pour reconnaître les arbres, on lui donne des milliers de photos de feuilles, chacune avec le nom de son arbre ; elle doit ensuite nommer une feuille qu'elle n'a jamais vue. Retiens l'idée de fond : elle ne vaut que ce que valent ses exemples.
Définition : L'apprentissage automatique est la partie de l'IA où un programme apprend à partir de données d'entraînement. L'étiquette est la bonne réponse jointe à chaque exemple. Le modèle est le programme entraîné ; sa prédiction est sa réponse sur un cas nouveau.
Avec des étiquettes, on parle d'apprentissage supervisé. Sans étiquette, le programme regroupe seul les données qui se ressemblent : c'est l'apprentissage non supervisé. Guidé par des récompenses, il fait de l'apprentissage par renforcement (glossaire de l'IA de la CNIL).
Une méthode supervisée simple, qu'on peut faire à la main, s'appelle les $k$ plus proches voisins ; le programme de NSI (numérique et sciences informatiques) de première en fait « un exemple d'algorithme d'apprentissage ». Chaque exemple y est décrit par des nombres (la longueur et la largeur d'une feuille, par exemple), ce qui permet de calculer des distances.
Règle : Pour classer un cas nouveau, on prend les $k$ exemples les plus proches de lui et on prédit l'étiquette majoritaire parmi eux. Avec $k = 3$ et des voisins chêne, érable, chêne, on prédit chêne. Changer $k$ peut changer la prédiction ; avec deux étiquettes, on prend $k$ impair pour éviter une égalité.
Pour juger un modèle, on le teste sur des données de test, mises de côté et jamais vues à l'entraînement. Son taux de réussite est le nombre de bonnes réponses divisé par le nombre de cas testés : $\frac{45}{50} = 0{,}9$, soit $90\,\%$. Un modèle excellent à l'entraînement mais mauvais au test a appris ses exemples par cœur sans généraliser : c'est le surapprentissage.
Piège classique : Le modèle peut s'appuyer sur n'importe quel détail qui sépare ses exemples, même le fond de la photo. S'il manque une situation à ses exemples (une saison, un éclairage), il se trompe sur elle : c'est un biais des données, que seuls des exemples de cette situation corrigent.
Quiz : teste tes connaissances
Les questions montent en difficulté, et les trois dernières sont les plus piégeuses.
Question 1 : Un filtre de messagerie applique cette consigne : « si le message contient le mot gratuit, le ranger dans les indésirables ». D'où vient sa règle ?
Réponse : B. La règle est écrite d'avance par un programmeur : le filtre l'applique sans rien apprendre. Le piège A confond un tri qui a l'air malin avec un apprentissage à partir d'exemples.
Question 2 : Pour apprendre à reconnaître les arbres, un modèle reçoit 8 000 photos de feuilles, chacune avec le nom de son arbre. Comment s'appelle ce nom ?
Réponse : D. L'étiquette est la bonne réponse fournie avec chaque exemple d'entraînement. Le piège A : la prédiction est la réponse que le modèle donne lui-même, plus tard, sur une feuille nouvelle.
Question 3 : Un site de musique range 50 000 morceaux en familles qui se ressemblent, sans connaître aucun nom de style. Quelle méthode utilise-t-il ?
Réponse : A. Sans étiquette, le programme regroupe seul les données qui se ressemblent : c'est l'apprentissage non supervisé. Le piège B : il y a bien des groupes, mais personne n'a donné la bonne réponse pour chaque morceau.
Question 4 : Pour appliquer les $k$ plus proches voisins à des feuilles, que faut-il avoir pour chaque feuille ?
Réponse : C. Chercher les plus proches suppose de mesurer des distances, donc de décrire chaque feuille par des nombres. Le piège A : l'étiquette de la feuille inconnue est justement ce qu'on veut prédire.
Question 5 : Avec deux étiquettes, chêne ou érable, quelle valeur de $k$ évite à coup sûr une égalité ?
Réponse : A. Avec un nombre impair de voisins et deux étiquettes, l'une a forcément plus de voix que l'autre. Le piège B : avec $k = 4$, deux chênes contre deux érables font une égalité que la majorité ne tranche pas.
Question 6 : Sur 200 photos de test, le modèle nomme correctement 170 feuilles. Quel est son taux de réussite ?
Réponse : D. Le taux de réussite vaut $\frac{170}{200} = 0{,}85$, soit $85\,\%$. Le piège A, $15\,\%$, est le taux d'erreur : la part des $30$ photos mal nommées.
Question 7 : Un modèle entraîné uniquement avec des photos de feuilles d'été se trompe souvent en automne, quand les feuilles ont jauni. Quelle est la cause la plus probable ?
Réponse : B. Le modèle ne connaît que ses exemples, et aucune feuille jaunie n'y figurait : c'est un biais des données. Le piège A : plus de puissance calculerait plus vite, sans rien lui apprendre sur l'automne.
Question 8 : Une feuille inconnue est comparée à cinq feuilles connues. Leurs distances à elle : chêne $1{,}0$ cm, érable $1{,}5$ cm, érable $2{,}0$ cm, chêne $3{,}5$ cm, chêne $4{,}0$ cm. Avec $k = 3$, que prédit l'algorithme, et pourquoi ?
Réponse : C. Les trois plus petites distances ($1{,}0$, $1{,}5$ et $2{,}0$ cm) donnent un chêne et deux érables, donc érable. Le piège A ne regarde que le plus proche voisin, comme si $k = 1$.
Question 9 : Un modèle obtient $100\,\%$ de réussite sur ses photos d'entraînement, mais seulement $60\,\%$ sur ses photos de test. Que faut-il en conclure ?
Réponse : D. Un tel écart signale le surapprentissage : le modèle colle à ses exemples et rate les cas nouveaux. Le piège A se fie au $100\,\%$, alors que seule la note au test dit ce que vaut le modèle.
Question 10 : Mêmes cinq feuilles qu'à la question 8, mais avec $k = 5$. Que prédit l'algorithme, et pourquoi ?
Réponse : A. Avec $k = 5$, les cinq feuilles votent : trois chênes contre deux érables, donc chêne. Le piège B croit que la prédiction ne dépend pas de $k$, alors qu'ici elle change.
Question 11 : Pour corriger le modèle de la question 7, que faut-il faire ?
Réponse : C. Il manque une situation dans ses exemples : il faut la lui montrer, avec la bonne étiquette. Le piège A : des photos d'été en plus ne lui apprennent rien sur les feuilles jaunies.
Question 12 : À l'entraînement comme au test, les chênes sont photographiés sur l'herbe et les érables sur du goudron. Le modèle réussit très bien ses tests, mais nomme érable une feuille de chêne posée sur du goudron. Pourquoi ?
Réponse : B. Dans ses exemples, le fond suffisait à séparer les deux arbres : pour le modèle, goudron veut dire érable. Ses tests, qui avaient le même défaut, ne l'ont pas révélé. Le piège C : plus de chênes sur l'herbe n'y changeraient rien.
Sources
Programme de numérique et sciences informatiques de première générale, partie « Algorithmique » : texte officiel sur eduscol.
CNIL, glossaire de l'intelligence artificielle : cnil.fr.