← Retour à l’accueil

TP — Comment une IA apprend-elle ? 3e · technologie · 1 heure · 3 ateliers + 1 défi

Chrono :15:00

Atelier 1 — Apprentissage supervisé : apprendre à partir d'exemples étiquetés

La situation. Un volet à lames orientables doit apprendre quand fermer ses lames. On lui donne 48 situations déjà vécues, étiquetées par l'utilisateur : « j'ai fermé » ou « j'ai laissé ouvert ». L'IA doit ensuite décider seule pour des situations nouvelles.
Ce que vous devez découvrir : comment elle fait, et pourquoi elle ne se trompe pas comme un humain.
l'utilisateur a laissé ouvert (0) l'utilisateur a fermé (0) sonde : la situation à décider

Données d'exemple chargées.

Ce que vous faites, dans l'ordre

  1. Observe les points. Les deux zones de couleur se mélangent-elles ?
  2. Clique dans le graphique pour déplacer la sonde ✛ (vers 20 000 lux et 25 °C, puis ailleurs) et lis la décision de l'IA : combien de voisins votent « fermer », combien votent « ouvrir » ?
  3. Change k (le nombre de voisins consultés) et regarde la frontière se déformer : à k = 1 elle fait de petits « îlots » autour de certains points.
  4. Teste le modèle sur les 20 situations nouvelles.
  5. Réponds aux 4 questions ci-dessous (une phrase suffit).
Nombre de voisins consultés (k) = 3 Mode du clic dans le graphique

Sonde non placée : clique dans le graphique.

Vos réponses — atelier 1

Q1. Avec k = 1, puis k = 5, puis k = 15 : quelle est la réussite sur les 20 situations de test ? Note les trois résultats, puis explique ce qui se passe quand k augmente.

Q2. À k = 1, cherche les petits « îlots » de couleur isolés autour de certains points. À quoi correspondent-ils ? Passe ensuite à k = 15 : que sont devenus ces îlots ?

Q3. Clique sur « Données canicule » (30 situations où l'utilisateur a toujours fermé), puis teste. Que répond l'IA à une nuit douce ? Comment appelle-t-on ce problème ?

Q4. Peut-on réussir 100 % ? Deux situations de test (vers 22 000 lux et 25,5 °C) sont presque identiques, mais l'utilisateur n'a pas fait la même chose. Que peut donc faire l'IA ?

Défi (si vous avez terminé)

Ajoutez des exemples « fermer » et « ouvrir » pour faire baisser la réussite d'une situation de test, puis pour la faire remonter. Vous venez de fabriquer un jeu de données… et un biais.

Atelier 2 — Apprentissage non supervisé : trouver des groupes sans étiquettes

La situation. Cette fois, personne n'a étiqueté les données. On a seulement le journal des capteurs du volet : 74 mesures relevées toutes les 20 minutes pendant 24 heures. Aucune colonne ne dit ce que l'utilisateur a fait. L'IA doit découvrir seule des familles de situations (des groupes). C'est ce qu'on appelle un regroupement (ou clustering).
mesure (aucune étiquette) ✦ centre d'un groupe couleur = groupe trouvé par l'IA

74 mesures chargées, sans étiquette.

Groupes trouvés par l'IA

Choisissez k puis lancez l'algorithme.

Ce que vous faites, dans l'ordre

  1. Les points sont tous gris : aucune étiquette, aucune bonne réponse connue.
  2. Choisissez le nombre de groupes k, puis cliquez Étape plusieurs fois. L'algorithme alterne deux actions : il déplace les centres ✦ au milieu de leur groupe, puis il réaffecte chaque mesure au centre le plus proche (les points changent de couleur).
  3. Cliquez Jusqu'à la convergence, puis nommez chaque groupe dans le tableau (un mot : « nuit », « plein midi »…).
  4. Cliquez Autre départ : le résultat est-il identique ?
  5. Répondez aux 4 questions.
Nombre de groupes demandé (k) = 3
Cycles complets : 0 · inertie : —
En cours : les centres se déplacent au milieu de leur groupe

L'inertie est la somme des distances entre chaque mesure et le centre de son groupe. Elle doit diminuer à chaque étape : c'est le signe que l'IA améliore son découpage.

Vos réponses — atelier 2

Q1. Combien de groupes avez-vous choisis, et comment les avez-vous nommés ? Regardez la colonne « heures » pour vous aider.

Q2. Qui a trouvé ces noms : l'IA ou vous ? Comparez avec l'atelier 1 : qu'est-ce qui manquait dans les données de l'atelier 2 ?

Q3. Changez k (2, puis 4, puis 6) et cliquez « Autre départ » à chaque fois : le découpage change. Qui a décidé du nombre de groupes ? L'IA peut-elle dire quel découpage est le « bon » ? Pourquoi ?

Q4. Deux mesures sortent de l'ordinaire (14h20 et 15h00 : il fait sombre et chaud). Où l'IA les range-t-elle ? Est-ce une erreur de sa part ?

Défi (si vous avez terminé)

Réglez k au maximum. L'inertie devient très petite : est-ce que le découpage est meilleur pour autant ? Que se passerait-il avec autant de groupes que de mesures ?

Atelier 3 — Apprentissage par renforcement : apprendre par essais et erreurs

La situation. Cette fois, personne ne donne d'exemple et personne ne donne la réponse. Le volet essaie une action, puis reçoit une récompense (une note de 0 à 10 : à quel point l'utilisateur est content). Il recommence des centaines de fois et découvre tout seul quelle action est la meilleure dans chaque situation.
Attention : l'IA ne connaît pas la table des récompenses. C'est vous qui la connaissez, pas elle.
récompense moyenne des 20 derniers épisodes meilleur score possible épisode courant : 0

Ce que l'IA a appris : la table Q

Chaque case estime la récompense espérée si l'on choisit cette action dans cette situation. Plus la case est verte, plus l'IA pense que c'est une bonne idée.

Le « monde » tel qu'il est (ce que l'IA ignore au départ)

C'est l'humain qui a écrit ces notes. Changez d'objectif dans les réglages : mêmes situations, autres récompenses, autre comportement appris.

Ce que vous faites, dans l'ordre

  1. Cliquez 1 épisode puis regardez la table Q : les valeurs sont presque toutes à 0, l'IA ne sait rien.
  2. Cliquez +100 épisodes, puis à nouveau : la courbe bleue monte-t-elle ?
  3. Réglez l'exploration sur 0, cliquez Réinitialiser, puis +500 épisodes : que se passe-t-il ?
  4. Changez d'objectif (« économie d'énergie »), réinitialisez et relancez 500 épisodes.
  5. Répondez aux questions.
Objectif récompensé Exploration ε = 0,15 (part des essais faits au hasard)
Épisodes : 0 · récompense moyenne (100 derniers) : — / 10 · meilleur possible : — / 10

Vos réponses — atelier 3

Q1. Note la récompense moyenne après 10 épisodes, puis après 500. Donne les deux valeurs.

Q2. Qui a expliqué à l'IA quelle action choisir ? Qu'est-ce qui l'a guidée ? Qu'est-ce qui remplace les étiquettes de l'atelier 1 ?

Q3. Exploration à 0 puis 500 épisodes : la récompense atteint-elle le meilleur score possible ? Explique pourquoi.

Q4. Passez à l'objectif « économie d'énergie » : la meilleure action change-t-elle dans certaines situations ? Qui a fixé cet objectif ? Que retenez-vous ?

Défi (si vous avez terminé)

Ouvrez recompenses_confort.csv dans un tableur, changez une note pour qu'une action absurde devienne la plus récompensée, enregistrez en CSV, puis importez-le ici. Relancez 500 épisodes : l'IA apprend-elle une bêtise ? Est-ce la faute de l'IA ?

Défi — Réseau de neurones : apprendre sans qu'on explique la règle

Bonus (à faire seulement si les 3 ateliers sont terminés, ou en démonstration par le professeur). Un réseau de neurones ne compare pas la situation à des exemples voisins comme à l'atelier 1 : il ajuste des milliers de petits réglages, essai après essai, jusqu'à ce que ses réponses collent aux étiquettes. On appelle cela l'entraînement : c'est la phase d'apprentissage, suivie de la phase de test.
« ouvrir » « fermer » fond coloré = réponse du réseau pour chaque situation possible

Erreur du réseau, de 0 (aucune erreur) à 1 (tout faux). L'entraînement ne s'arrête jamais « parce qu'il a compris » : c'est l'humain qui décide quand l'arrêter.

Ce que vous faites

  1. Cliquez Entraîner 200 tours et regardez la frontière se dessiner : elle est lisse, courbe, contrairement à celle de l'atelier 1.
  2. Regardez les deux réussites affichées : sur les exemples d'entraînement (déjà vus) et sur les situations de test (jamais vues).
  3. Entraînez encore, plusieurs fois.
  4. Choisissez ensuite 8 exemples seulement, réinitialisez et entraînez longtemps : comparez les deux réussites.
Exemples utilisés pour l'entraînement Neurones cachés = 6
Tours d'entraînement : 0 · erreur : —
Réussite sur les 48 exemples d'entraînement : —
Réussite sur les 20 situations de test : —

Vos réponses — défi

Q1. Avec les 48 exemples et après 200 tours, quelle réussite sur les situations de test ? Comparez avec l'atelier 1 (k-NN) : laquelle des deux méthodes réussit le mieux ici ?

Q2. Quelle est la forme de la frontière trouvée par le réseau (droite, escalier, courbe) ?

Q3. Passez à 8 exemples seulement et entraînez 1000 tours : la réussite sur ces 8 exemples monte à 100 %. Et sur les situations de test ? Comment appelle-t-on ce phénomène ?

Bilan — ce que vous avez découvert

1. Complétez les trois phrases

L'apprentissage supervisé : l'IA apprend à partir de …

L'apprentissage non supervisé : l'IA apprend à partir de …

L'apprentissage par renforcement : l'IA apprend à partir de …

2. Les trois questions de fond

a) Dans les trois cas, de quoi l'IA a-t-elle absolument besoin pour apprendre ?

b) Citez trois choses que l'IA n'a pas décidées toute seule dans ce TP.

c) Une IA apprend avec des données qui contiennent des erreurs ou des habitudes injustes. Que se passe-t-il ? Donnez l'exemple vu dans le TP.

3. Réinvestir

Choisissez une IA de votre quotidien (recommandation de vidéos, assistant vocal, filtre anti-spam, aide au diagnostic, voiture…). Comment a-t-elle pu apprendre : supervisé, non supervisé, par renforcement ? Qui a fourni les étiquettes ou les récompenses ?

Enregistrer / rendre votre travail

Vos réponses restent dans cette page. À la fin de l'heure, exportez-les : le fichier pourra être déposé dans l'espace de travail de la classe.

Récapitulatif de vos réponses

Répondez aux questions : vos réponses s'affichent ici.

Trace écrite à recopier (à ouvrir après avoir répondu)

Une IA n'apprend jamais « toute seule » : elle apprend à partir de données et d'un objectif fixés par des humains.

  • Supervisé : on fournit des exemples déjà étiquetés (la bonne réponse est connue) → classer, prédire.
  • Non supervisé : on fournit des données brutes, sans réponse → regrouper, découvrir des ressemblances.
  • Par renforcement : on ne fournit aucune réponse, seulement des récompenses après des essais → agir, décider.
  • Les performances dépendent des données d'entraînement : trop peu d'exemples, exemples non représentatifs (biais), exemples contradictoires → erreurs. Un modèle qui « apprend par cœur » réussit sur les exemples déjà vus mais échoue sur des situations nouvelles (surapprentissage).
  • Ce sont les humains qui choisissent les données, les étiquettes et les récompenses : une IA n'est donc pas neutre.