# 🟢 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 :

1. **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.
2. **Comprendre le rôle des données** : le "carburant" de l'IA, et pourquoi la qualité compte autant que la quantité.
3. **Distinguer entraînement et utilisation** (inférence) : apprendre est long et cher, utiliser est rapide.
4. **Décrire un neurone artificiel** comme un petit calculateur, et un réseau de neurones comme des couches de calculateurs connectés.
5. **Reconnaître l'overfitting** (surapprentissage) : quand l'IA apprend "par cœur" au lieu de comprendre.
6. **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 :**
1. Choisir un volontaire : il devient "l'IA". Il sort de la salle (ou ferme les yeux).
2. Le groupe choisit une règle secrète simple, par exemple : *« les objets ronds sont dans la catégorie A, les objets carrés dans la catégorie B »*.
3. L'animateur montre des objets (ou dessins) un par un à "l'IA" et annonce la bonne catégorie : *« Ballon → A. Livre → B. Orange → A… »*
4. Après 6-8 exemples, on montre un objet NOUVEAU sans donner la réponse : *« Assiette → ? »*
5. 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 :

1. **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.)
2. **Données non variées** → IA à œillères. Si l'IA n'a vu que des chats noirs, elle risque de rater les chats blancs.
3. **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 :
1. **Il reçoit** des signaux (des nombres) venant d'autres neurones.
2. **Il les pèse** : certains signaux comptent beaucoup (poids fort), d'autres peu (poids faible).
3. **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)

1. Projeter la page. Montrer les signaux qui circulent de gauche à droite, couche par couche.
2. 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. »*
3. Utiliser le bouton "Entraînement auto" pour montrer les poids qui se règlent tout seuls.
4. 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)

1. Lancer l'animation : deux courbes montent ensemble au début (l'IA progresse sur tout).
2. 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.**
3. 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](https://teachablemachine.withgoogle.com)

1. Par binômes : créer un "Projet Image".
2. Créer 2 classes, ex. : "main ouverte ✋" / "poing ✊" (ou deux objets : stylo / gomme).
3. Capturer ~30 images par classe avec la webcam (varier les angles ! rappeler la leçon sur la diversité des données).
4. Cliquer "Entraîner" (≈ 30 secondes — faire remarquer : *« vous vivez un VRAI entraînement, en miniature »*).
5. Tester en direct : le modèle reconnaît les gestes !
6. **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) :**
1. L'IA apprend à partir d'**exemples**, pas de règles magiques.
2. **3 modes** : supervisé (prof), non supervisé (bonbons), renforcement (jeu vidéo).
3. Les **données** sont le carburant : quantité, qualité, diversité.
4. **Entraîner** = long et cher. **Utiliser** = rapide. (Le médecin : 10 ans d'études, 20 min de consultation.)
5. Un réseau de neurones = des couches de petits calculateurs ; **apprendre = régler les poids**.
6. **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.*