🟢 Applied AI — Niveau Débutant

Session 2 : Comment l’IA apprend-elle ?

Programme : Applied AI — Yann Isola Public : grand public, accessible dès 12 ans, aucun prérequis technique Durée conseillée : 2 h (adaptable 1 h 30 – 2 h 30) Matériel : vidéoprojecteur, la page web interactive de la session (webpage/index.html, fonctionne hors ligne), idéalement 1 ordinateur ou tablette pour 2 participants, une webcam si l’on utilise Teachable Machine.

1. Objectifs pédagogiques

À la fin de la session, chaque participant doit être capable de :

Expliquer avec ses mots les 3 grandes façons dont une IA apprend : supervisé, non supervisé, par renforcement — chacune avec une analogie de la vie courante.
Comprendre le rôle des données : le “carburant” de l’IA, et pourquoi la qualité compte autant que la quantité.
Distinguer entraînement et utilisation (inférence) : apprendre est long et cher, utiliser est rapide.
Décrire un neurone artificiel comme un petit calculateur, et un réseau de neurones comme des couches de calculateurs connectés.
Reconnaître l’overfitting (surapprentissage) : quand l’IA apprend “par cœur” au lieu de comprendre.
Entraîner soi-même un mini-modèle (Teachable Machine ou simulateur intégré à la page web).

🎯 Le message central de la session : l’IA n’est pas “intelligente” par magie — elle apprend à partir d’exemples, comme nous, mais différemment. Et comme un élève, elle peut mal apprendre !

2. Rappel express de la Session 1 (5 min)

Poser la question : « La dernière fois, on a vu ce qu’était une IA. Qui peut me le rappeler en une phrase ? »

Réponse attendue (ou à donner) : un programme qui apprend à partir d’exemples au lieu de suivre uniquement des règles écrites à la main.

Aujourd’hui, on ouvre le capot : COMMENT apprend-elle exactement ?

3. Déroulé minuté

Temps	Séquence	Format
0:00 – 0:05	Accueil + rappel Session 1	Discussion
0:05 – 0:15	Accroche : le jeu du “prof et de l’élève”	Jeu collectif
0:15 – 0:35	Les 3 façons d’apprendre (supervisé, non supervisé, renforcement)	Exposé + analogies
0:35 – 0:45	Les données : le carburant de l’IA	Exposé + discussion
0:45 – 0:55	Entraînement vs utilisation	Exposé + analogie
0:55 – 1:10	Les neurones artificiels + réseau de neurones (page web : visualiseur)	Démo interactive
1:10 – 1:20	☕ Pause	—
1:20 – 1:30	L’overfitting : l’élève qui apprend par cœur (page web : démo)	Démo + discussion
1:30 – 1:55	🖐️ Activité pratique : entraîner un mini-modèle	Atelier par binômes
1:55 – 2:00	Quiz + synthèse + teaser Session 3	Quiz

4. Contenu détaillé, séquence par séquence

4.1 Accroche : le jeu du “prof et de l’élève” (10 min)

But : faire vivre l’apprentissage supervisé AVANT de le nommer.

Déroulé :

Choisir un volontaire : il devient “l’IA”. Il sort de la salle (ou ferme les yeux).
Le groupe choisit une règle secrète simple, par exemple : « les objets ronds sont dans la catégorie A, les objets carrés dans la catégorie B ».
L’animateur montre des objets (ou dessins) un par un à “l’IA” et annonce la bonne catégorie : « Ballon → A. Livre → B. Orange → A… »
Après 6-8 exemples, on montre un objet NOUVEAU sans donner la réponse : « Assiette → ? »
Si “l’IA” répond A : elle a généralisé ! Elle a appris la règle sans qu’on la lui dise.

Débriefing (essentiel) :

« Est-ce que je lui ai donné la règle ? » → Non !
« Comment a-t-il/elle trouvé ? » → En observant les exemples + les bonnes réponses.
« C’est EXACTEMENT comme ça qu’apprend une IA. »

💡 Astuce animateur : si le volontaire ne trouve pas, c’est encore mieux ! On peut dire : « Il lui faut plus d’exemples — comme une IA ! » et continuer. L’échec fait partie de la démonstration.

4.2 Les 3 façons d’apprendre (20 min)

C’est le cœur de la session. Une analogie par mode, à marteler.

A. L’apprentissage supervisé 👩‍🏫 — “le prof qui corrige des copies”

L’idée : on donne à l’IA des exemples avec les bonnes réponses (on dit que les données sont “étiquetées”). L’IA fait une prédiction, on la compare à la bonne réponse, et elle se corrige. Des milliers, des millions de fois.

L’analogie à développer : imaginez un élève qui fait des exercices de maths. Il propose une réponse, le prof corrige : « Faux, la bonne réponse était 12. » L’élève ajuste sa méthode. À force de corrections, il finit par savoir résoudre des exercices qu’il n’a jamais vus.

Le vocabulaire à introduire (simplement) :

Entrée (input) : ce qu’on donne à l’IA (une photo, un texte…)
Étiquette (label) : la bonne réponse associée (“chat”, “chien”, “spam”…)
Erreur : l’écart entre ce que l’IA a répondu et la bonne réponse. Apprendre = réduire cette erreur.

Exemples concrets à citer :

Reconnaître des photos de chats/chiens (photos + étiquettes “chat”/“chien”)
Filtrer les spams (e-mails + étiquettes “spam”/“pas spam”)
Prédire le prix d’un appartement (caractéristiques + prix réel)

B. L’apprentissage non supervisé 🍬 — “trier des bonbons sans consigne”

L’idée : cette fois, PAS de bonnes réponses. On donne juste un tas de données, et l’IA doit trouver toute seule des groupes, des ressemblances, des structures.

L’analogie à développer : on vous verse un énorme sac de bonbons sur la table et on vous dit juste : « Triez. » Personne ne vous dit les catégories. Vous allez naturellement regrouper par couleur, ou par forme, ou par taille. Vous avez découvert des catégories que personne ne vous avait données.

🎲 Mini-activité éclair (2 min) : demander au groupe : « Si je vous donne 1000 chansons sans aucune info, comment les trieriez-vous ? » (rythme, ambiance, voix/instrumental…). C’est ce que fait une plateforme de streaming pour créer des playlists automatiques.

Exemples concrets :

Regrouper les clients d’un magasin par habitudes d’achat
Détecter des comportements “bizarres” (fraude bancaire : une dépense qui ne ressemble à aucun groupe habituel)
Suggérer “les gens qui aiment X aiment aussi Y”

C. L’apprentissage par renforcement 🎮 — “apprendre un jeu vidéo”

L’idée : l’IA essaie des actions dans un environnement. Bonne action → récompense (des points). Mauvaise action → punition (perte de points). Elle recommence des millions de fois et découvre la stratégie qui maximise ses points.

L’analogie à développer : votre première partie d’un jeu vidéo. Personne ne vous a donné le manuel. Vous appuyez sur des boutons : vous tombez dans un trou → “punition”, vous recommencez. Vous attrapez une pièce → “récompense”, vous refaites. Après 50 parties, vous êtes bien meilleur. Essai → résultat → ajustement.

Exemples concrets :

AlphaGo (l’IA qui a battu le champion du monde de go en 2016) a joué des millions de parties contre elle-même
Les robots qui apprennent à marcher (ils tombent des milliers de fois… en simulation !)
Les voitures autonomes s’entraînent d’abord dans des simulateurs

Tableau récapitulatif à faire construire par le groupe :

Mode	On lui donne…	Elle apprend…	Analogie
Supervisé 👩‍🏫	Exemples + bonnes réponses	À prédire la bonne réponse	Le prof qui corrige
Non supervisé 🍬	Exemples sans réponses	À trouver des groupes	Trier des bonbons
Renforcement 🎮	Un terrain de jeu + des points	La meilleure stratégie	Apprendre un jeu vidéo

⚠️ Question fréquente : « Et ChatGPT, il apprend comment ? » Réponse honnête et simple : un mélange ! D’abord une forme d’apprentissage sur d’énormes quantités de textes (prédire le mot suivant), puis un réglage fin avec des humains qui notent les réponses (ce qui ressemble au renforcement). ⚠ Les méthodes exactes évoluent vite — c’est un domaine en mouvement.

4.3 Les données : le carburant de l’IA (10 min)

Message 1 — Pas de données, pas d’IA. Une IA qui n’a jamais vu de chats ne reconnaîtra jamais un chat. Les données sont son carburant : c’est à partir d’elles, et d’elles seules, qu’elle apprend.

Message 2 — Plus de données = (souvent) meilleur apprentissage. Un élève qui a fait 1000 exercices est généralement meilleur que celui qui en a fait 10.

Message 3 — MAIS pas n’importe lesquelles ! C’est le point le plus important. Trois pièges :

Données fausses → IA fausse. Si le prof corrige avec un corrigé faux, l’élève apprend faux. (« Garbage in, garbage out » : déchets en entrée, déchets en sortie.)
Données non variées → IA à œillères. Si l’IA n’a vu que des chats noirs, elle risque de rater les chats blancs.
Données déséquilibrées ou biaisées → IA injuste. Exemple réel à citer : des IA de recrutement ont défavorisé les femmes parce qu’elles avaient été entraînées sur des historiques d’embauche majoritairement masculins. L’IA reproduit les défauts de ses données.

💬 Discussion (3 min) : « Vous voulez créer une IA qui reconnaît les chiens. Vous ne lui montrez que des photos de labradors. Que va-t-il se passer avec un chihuahua ? » → Elle risque de ne pas le reconnaître comme un chien. Moralité : la diversité des données compte.

4.4 Entraînement vs utilisation (10 min)

Deux moments TRÈS différents dans la vie d’une IA :

	🏋️ Entraînement	⚡ Utilisation (inférence)
C’est quoi ?	L’IA apprend à partir des données	L’IA répond à une question
Combien de temps ?	Des semaines, des mois	Moins d’une seconde
Combien ça coûte ?	Très cher (⚠ des millions, voire plus, pour les plus grosses IA — les chiffres évoluent vite)	Très peu par requête
Combien de fois ?	Une fois (puis des mises à jour)	Des milliards de fois par jour
Analogie	Les années d’études d’un médecin	Une consultation de 20 minutes

L’analogie du médecin est la plus efficace : former un médecin prend 10 ans et coûte très cher. Mais une fois formé, chaque consultation est rapide. On ne re-forme pas le médecin à chaque patient !

Le mot savant à donner : l’utilisation s’appelle l’inférence. Quand vous posez une question à ChatGPT, il ne “réapprend” pas : il utilise ce qu’il a déjà appris. C’est pour ça que la réponse arrive en quelques secondes.

💡 Question piège à poser au groupe : « Quand je discute avec ChatGPT, est-ce qu’il apprend de notre conversation ? » → Non, pas pendant la conversation : son “cerveau” est figé après l’entraînement. Il se souvient de la conversation en cours (comme des notes sur un brouillon), mais il n’en tire pas de leçon permanente. ⚠ Certains services peuvent utiliser les conversations pour de FUTURS entraînements — d’où les questions de vie privée (on en reparlera dans une session dédiée).

4.5 Les neurones artificiels et le réseau (15 min)

⚠ Prévenir d’emblée : l’analogie avec le cerveau est une inspiration, pas une copie. Un neurone artificiel est infiniment plus simple qu’un vrai neurone.

Le neurone artificiel = un petit calculateur

Un neurone artificiel, c’est une boîte minuscule qui fait 3 choses :

Il reçoit des signaux (des nombres) venant d’autres neurones.
Il les pèse : certains signaux comptent beaucoup (poids fort), d’autres peu (poids faible).
Il décide : si le total dépasse un seuil, il “s’allume” et envoie un signal à son tour.

Analogie du videur de boîte de nuit : le videur reçoit plusieurs informations (âge, tenue, attitude…), il donne plus ou moins d’importance à chacune (les poids), et il prend une décision : entre / n’entre pas. Un neurone, c’est ça.

Le point clé : apprendre = ajuster les poids. Quand l’IA se trompe, elle modifie légèrement l’importance donnée à chaque signal, dans le bon sens. Des millions de petits ajustements → l’IA s’améliore. C’est TOUT le secret de l’apprentissage.

Le réseau = des couches de neurones connectés

Couche d’entrée : reçoit les données brutes (ex. : les pixels d’une image).
Couches cachées : chaque couche détecte des choses de plus en plus complexes (des traits → des formes → des oreilles/moustaches → “c’est un chat !”).
Couche de sortie : donne la réponse finale.

Chiffre qui impressionne : notre visualiseur en montre une dizaine ; ⚠ les grandes IA de conversation en ont l’équivalent de centaines de milliards de poids (paramètres) — les ordres de grandeur changent chaque année.

🖥️ Démo : le visualiseur de réseau (page web, onglet 1)

Projeter la page. Montrer les signaux qui circulent de gauche à droite, couche par couche.
Bouger les curseurs de poids : montrer que la sortie change. « Voilà ce que fait l’apprentissage : régler ces curseurs automatiquement. Sauf qu’il y en a des milliards. »
Utiliser le bouton “Entraînement auto” pour montrer les poids qui se règlent tout seuls.
Laisser 2-3 volontaires manipuler.

4.6 L’overfitting : l’élève qui apprend par cœur (10 min)

Le concept le plus subtil de la session — mais l’analogie le rend limpide.

L’histoire à raconter : deux élèves préparent un contrôle de maths avec le même livre de 50 exercices corrigés.

Élève A cherche à comprendre la méthode derrière chaque exercice.
Élève B apprend par cœur les 50 réponses : “exercice 12 → réponse 42”.

Le jour du contrôle, le prof donne des exercices nouveaux (mais du même type).

Élève A : réussit. Il a généralisé.
Élève B : échoue totalement. Il ne savait que réciter.

L’élève B, c’est l’overfitting (en français : surapprentissage). L’IA colle tellement à ses exemples d’entraînement qu’elle est excellente sur eux… et nulle sur tout ce qui est nouveau. Or une IA ne sert QUE sur du nouveau !

Comment on le détecte ? On garde des exercices secrets (les données de test) que l’IA ne voit jamais pendant l’entraînement. Si elle est brillante sur l’entraînement mais mauvaise sur le test → elle a appris par cœur.

🖥️ Démo : la courbe d’overfitting (page web, onglet 3)

Lancer l’animation : deux courbes montent ensemble au début (l’IA progresse sur tout).
Puis la courbe “test” stagne et redescend pendant que la courbe “entraînement” continue de monter → les courbes divergent : c’est le moment où l’IA commence à apprendre par cœur.
Demander : « À quel moment aurait-il fallu ARRÊTER l’entraînement ? » → au sommet de la courbe de test. (Les pros appellent ça l’arrêt anticipé.)

💡 Bonus discussion : l’inverse existe aussi — l’élève qui n’a pas assez travaillé et qui est mauvais partout (underfitting, sous-apprentissage). Le but : l’équilibre.

4.7 🖐️ Activité pratique : entraîner un mini-modèle (25 min)

Option A — Teachable Machine (recommandée si Internet disponible) ⚠ Outil gratuit de Google, l’interface peut évoluer : teachablemachine.withgoogle.com

Par binômes : créer un “Projet Image”.
Créer 2 classes, ex. : “main ouverte ✋” / “poing ✊” (ou deux objets : stylo / gomme).
Capturer ~30 images par classe avec la webcam (varier les angles ! rappeler la leçon sur la diversité des données).
Cliquer “Entraîner” (≈ 30 secondes — faire remarquer : « vous vivez un VRAI entraînement, en miniature »).
Tester en direct : le modèle reconnaît les gestes !
Le twist pédagogique : demander de tester avec l’AUTRE main, ou une autre personne, ou un autre éclairage. Souvent, ça marche moins bien → « Pourquoi ? » → données pas assez variées. Toute la théorie de la session vient de se vérifier sous leurs yeux.

Option B — Simulateur intégré (sans Internet) Utiliser l’onglet 2 de la page web (“Simulateur d’apprentissage supervisé”) : on entraîne un classifieur de formes étiquetées, puis on le teste sur des formes jamais vues. Suivre les consignes à l’écran. Le twist : le bouton “données peu variées” montre l’échec de généralisation.

Débriefing commun (5 min) : faire verbaliser : « Qu’est-ce qui a rendu votre modèle bon ? Mauvais ? » → nombre d’exemples, diversité, qualité. Boucle bouclée.

4.8 Synthèse + teaser (5 min)

Les 6 idées à retenir (faire réciter par le groupe) :

L’IA apprend à partir d’exemples, pas de règles magiques.
3 modes : supervisé (prof), non supervisé (bonbons), renforcement (jeu vidéo).
Les données sont le carburant : quantité, qualité, diversité.
Entraîner = long et cher. Utiliser = rapide. (Le médecin : 10 ans d’études, 20 min de consultation.)
Un réseau de neurones = des couches de petits calculateurs ; apprendre = régler les poids.
Overfitting = apprendre par cœur au lieu de comprendre. Le test sur du jamais-vu est le juge de paix.

Teaser Session 3 : « Maintenant qu’on sait comment l’IA apprend… on va rencontrer la star : l’IA générative. Comment une machine peut-elle ÉCRIRE, DESSINER, COMPOSER ? Réponse la prochaine fois. »

5. Questions fréquentes des participants (et réponses prêtes)

« L’IA a-t-elle un vrai cerveau ? » Non. Les “neurones” artificiels sont des calculs très simples, juste inspirés du cerveau. Un vrai neurone biologique est des milliers de fois plus complexe. C’est une métaphore utile, pas une copie.

« Si l’IA apprend toute seule, peut-elle devenir incontrôlable ? » Elle n’apprend pas “toute seule” au sens libre : elle apprend ce que ses données et son objectif lui font apprendre, dans un cadre défini par des humains. Les vrais risques actuels sont plus concrets : erreurs, biais des données, mauvais usages. (Session dédiée à l’éthique plus tard.)

« Pourquoi l’IA se trompe encore alors qu’elle a vu des millions d’exemples ? » Parce que le monde réel contient toujours des cas qu’elle n’a jamais vus, et qu’elle ne “comprend” pas comme nous : elle repère des régularités statistiques. Nouveauté + régularités imparfaites = erreurs possibles.

« C’est quoi la différence entre IA, machine learning et deep learning ? » Des poupées russes 🪆 : l’IA est la grande famille ; le machine learning (apprentissage automatique) est la partie qui apprend à partir de données (le sujet du jour !) ; le deep learning (apprentissage profond) est la partie qui utilise de GROS réseaux de neurones à nombreuses couches.

« Mes photos servent-elles à entraîner des IA ? » Possiblement, selon les services que vous utilisez et leurs conditions d’utilisation. ⚠ Les règles (et les lois, comme l’AI Act européen) évoluent — bonne question à creuser dans la session éthique/vie privée.

6. Adaptations selon le public

Collégiens (12-15 ans) : insister sur les jeux (accroche + jeu vidéo + Teachable Machine). Réduire la partie “données biaisées” à un exemple simple. Quiz en mode équipes.
Adultes grand public : développer les exemples pro (spam, fraude, recrutement) et la discussion sur les données personnelles.
Groupe rapide : ajouter la notion d’underfitting et le tableau IA/ML/DL en poupées russes.
Sans Internet / sans webcam : tout est prévu — la page web fonctionne 100 % hors ligne, l’option B remplace Teachable Machine.

7. Pièges d’animation à éviter

❌ Entrer dans les maths (fonctions d’activation, gradients…) : AUCUNE formule dans cette session.
❌ Dire “l’IA comprend” sans guillemets : préférer “elle repère des régularités”.
❌ Laisser croire que cerveau = réseau de neurones.
❌ Passer trop vite sur l’activité pratique : c’est le moment le plus mémorable, protéger ses 25 minutes.
❌ Donner des chiffres précis sur les coûts/tailles des modèles sans le marqueur ⚠ : ces chiffres périment en quelques mois.

Applied AI — Yann Isola · Niveau Débutant 🟢 · Session 2/… ⚠ = information volatile, à re-vérifier avant chaque session.