Voici les 5 sons que l'IA a dans sa mémoire. Clique sur un dessin pour l'entendre. Personne ne leur a donné de nom : elle connaît seulement leur forme.

Sur ces 5 sons, un morceau a été effacé (6 colonnes). Clique sur « Générer le son manquant » : l'IA écoute le début et la fin du son, cherche dans sa mémoire le son qui ressemble le plus, et complète le trou avec son morceau. Sa prédiction ressemblera au vrai son, mais elle ne sera pas identique.

Attention : l'IA n'apprend pas ici. Elle utilise les sons de l'étape 1.

—

Voici exactement ce que fait l'IA quand tu cliques sur « Générer le son manquant » :

1. Elle écoute ce qu'il reste du son (le début et la fin, sans le morceau effacé).
2. Elle cherche dans sa mémoire le son connu dont le début et la fin ressemblent le plus à ce qu'elle entend. Elle compare les sons un par un et calcule un score de ressemblance.
3. Elle mélange le vrai son avec le son trouvé : plus ils se ressemblent, plus elle fait confiance au son trouvé pour remplir le trou ; moins ils se ressemblent, plus elle garde le vrai son. Le résultat est une reconstruction approximative, pas une copie.

Pourquoi le nombre d'exemples compte : plus l'IA a de sons variés en mémoire, plus elle a de chances de trouver un son proche. Avec très peu de références, ses reconstructions sont mauvaises.

L'IA a appris sans qu'on lui donne les réponses : elle efface elle-même un morceau de chaque son, puis s'entraîne à le reconstruire en cherchant dans sa mémoire le son connu le plus proche.

C'est de l'apprentissage auto-supervisé. C'est la méthode utilisée pour entraîner les très grandes IA, avec des millions d'images et de textes, sur lesquels personne n'écrit les réponses.

Dans quel cas utilise-t-on l'apprentissage auto-supervisé ?

Pourquoi l'auto-supervisé est-il utile pour entraîner de très grands modèles ?

Clique sur « Lancer 1000 courses ». L'IA va jouer 1000 parties en environ 30 secondes. Regarde les traces : au début elles sont tortueuses (mauvais temps), puis elles se redressent (meilleur temps). Le meilleur tour est affiché en vert.

Une autre façon d'apprendre par renforcement : l'IA joue des parties contre elle-même, encore et encore. À chaque partie, elle reçoit une récompense si elle gagne. En jouant des centaines de parties, elle découvre les stratégies qui fonctionnent.

Clique sur « Lancer l'auto-apprentissage » : tu vas voir 12 parties se jouer en même temps à toute vitesse. Chaque partie est un mini-échiquier.

Après l'entraînement, regarde l'IA entraînée (blancs) jouer contre une version débutante (noirs) qui joue presque au hasard. L'IA entraînée gagne systématiquement : elle a appris des centaines de parties contre elle-même.

L'IA a trouvé le meilleur trajet toute seule, simplement en essayant et en recevant des récompenses.

C'est de l'apprentissage par renforcement : aucune réponse n'est donnée, seulement des récompenses (ici, un temps au tour). C'est la même méthode utilisée pour AlphaGo, les robots qui marchent, ou les voitures autonomes qui apprennent à conduire.

Quelle est la différence fondamentale avec l'apprentissage supervisé ?

Pourquoi faut-il beaucoup d'essais (ici 1000) ?

Dans quel cas utilise-t-on l'apprentissage par renforcement ?

12 images de chiffres écrits à la main. Personne ne dit à l'IA ce que c'est. Il n'y a aucune réponse dans les données.

Clique sur le bouton : l'IA met ensemble les images qui se ressemblent.

Ton téléphone sait regrouper les photos d'une même personne. Personne ne lui a écrit les noms : il compare seulement ce qui se ressemble. C'est encore de l'apprentissage non supervisé.

12 photos, 3 personnes. Voici ce que l'IA mesure sur chaque photo :

C'est pour cela que ton téléphone demande ton accord avant d'analyser tes photos : il ne connaît pas les personnes, il compare seulement des mesures.

L'IA a fait les paquets toute seule, sans qu'on lui dise ce qu'il y avait dedans — et sans qu'on lui donne le nom des personnes.

C'est de l'apprentissage non supervisé : on ne donne aucune réponse. Mais l'IA ne sait pas dire « un 3 » ou « un 8 », ni « c'est Awa » : c'est toi qui reconnais ce qu'elle a trouvé. Elle ne peut pas non plus savoir si elle s'est trompée.

Clique sur la bonne réponse : dans cet atelier, qui a donné les réponses à l'IA ?

L'IA a regroupé les photos des visages : que sait-elle ?

Et si on lui donnait le nom des personnes, cela deviendrait…

1. Les quatre modes d'apprentissage vus dans l'atelier

• Apprentissage supervisé : on donne des exemples avec la réponse → reconnaître un 3 ou un 8.
• Apprentissage auto-supervisé : l'IA se donne l'exercice elle-même → deviner un morceau de son caché.
• Apprentissage par renforcement : on donne des récompenses après chaque essai → trouver toute seule le coup qui gagne aux échecs.
• Apprentissage non supervisé : on donne des images sans aucune réponse → faire des paquets avec ce qui se ressemble.

2. Reconnaître les quatre modes

a) On montre à l'IA des photos de chats et de chiens en lui disant lequel est lequel. C'est de l'apprentissage…

b) On donne à l'IA 1 000 photos sans aucun nom : elle fait des paquets toute seule. C'est de l'apprentissage…

c) L'IA essaie des coups et on la récompense quand elle réussit. C'est de l'apprentissage…

d) L'IA cache un morceau d'une image (ou d'un son) et essaie de le retrouver. C'est de l'apprentissage…

3. Entraînement ou utilisation ?

a) À l'étape 2, quand l'IA répond, est-ce qu'elle apprend ?

b) À quel moment l'IA apprend-elle ?

c) Pour que l'IA se trompe moins, il faut…

d) Pourquoi l'IA se trompe-t-elle sur des images (ou des sons) qu'elle n'a jamais vus ?

4. Enregistrer ton travail

À la fin de l'heure, clique sur « Enregistrer mes réponses ».