title: "Session 2 — Comment l'IA apprend-elle ?"
author: "Applied AI · Yann Isola"
theme: "Applied AI (palette : #1A2230 / #0F7A6C / #B4612A / #E9F6F3 / #F4F7F6)"
level: " Débutant — dès 12 ans, aucun prérequis"

Slide 1 — Titre

Comment l'IA apprend-elle ?

Applied AI · Session 2 · Niveau Débutant

Yann Isola

Aujourd'hui, on ouvre le capot.

Slide 2 — La dernière fois…

• Session 1 : c'est quoi, une IA ?
• Réponse en une phrase : un programme qui apprend à partir d'exemples, au lieu de suivre uniquement des règles écrites à la main.
• Question du jour : d'accord, mais elle apprend COMMENT ?

Note animateur : faire répondre la salle avant d'afficher la définition.

Slide 3 — Le jeu du prof et de l'élève

• Un volontaire devient "l'IA"
• On lui montre des objets avec la bonne catégorie : « Ballon → A. Livre → B… »
• Puis un objet nouveau, sans la réponse : « Assiette → ? »

S'il trouve : il a généralisé. Personne ne lui a donné la règle !

Note : jouer VRAIMENT le jeu (10 min). C'est la meilleure accroche de la session.

Slide 4 — Il y a 3 grandes façons d'apprendre

1. Supervisé — le prof qui corrige des copies
2. Non supervisé — trier des bonbons sans consigne
3. Renforcement — apprendre un jeu vidéo

Trois façons, trois analogies. À la fin de la séance, vous les connaîtrez par cœur… enfin non : vous les aurez comprises.

Slide 5 — L'apprentissage supervisé

On donne : des exemples + les bonnes réponses (les "étiquettes")

• L'IA propose une réponse → on compare à la bonne → elle se corrige
• Comme un élève : exercice → correction du prof → ajustement
• Répété des millions de fois

Exemples : photos "chat"/"chien" · e-mails "spam"/"pas spam" · prix des appartements

Slide 6 — Le vocabulaire du supervisé (3 mots, pas plus)

Apprendre = réduire l'erreur, exemple après exemple.

Slide 7 — L'apprentissage non supervisé

On donne : des exemples… et c'est tout. Zéro réponse.

• On vous verse un sac de bonbons : « Triez. »
• Vous regroupez par couleur, forme, taille… vous inventez les catégories
• L'IA fait pareil : elle découvre des groupes et des ressemblances cachées

Exemples : familles de clients · playlists automatiques · détection de comportements "bizarres" (fraude)

Slide 8 — L'apprentissage par renforcement

On donne : un terrain de jeu + des points

• Bonne action → récompense · Mauvaise action → punition
• Essai → résultat → ajustement → on recommence (des millions de fois)
• Comme votre première partie d'un jeu vidéo : vous tombez, vous recommencez, vous progressez

Exemples : AlphaGo (champion du monde de go battu en 2016) · robots qui apprennent à marcher · voitures autonomes en simulateur

Slide 9 — Récap' : les 3 modes en un tableau

Mode	On lui donne…	Elle apprend…	Analogie
Supervisé	Exemples + réponses	À prédire	Le prof qui corrige
Non supervisé	Exemples seuls	À regrouper	Trier des bonbons
Renforcement	Jeu + points	Une stratégie	Le jeu vidéo

Et ChatGPT ? Un mélange des modes — les recettes exactes évoluent vite.

Slide 10 — Les données : le carburant de l'IA

• Pas de données → pas d'IA. Tout son "savoir" vient de ses exemples.
• Plus de données = souvent meilleur apprentissage (1000 exercices > 10 exercices)
• MAIS… ce n'est pas juste une question de quantité →

Slide 11 — … pas n'importe quelles données !

3 pièges :

1. Données fausses → IA fausse (prof qui corrige avec un corrigé faux)
2. Données pas variées → IA à œillères (que des labradors → chihuahua non reconnu)
3. Données biaisées → IA injuste (IA de recrutement défavorisant les femmes, entraînée sur des historiques déséquilibrés — cas réel)

« Garbage in, garbage out » : déchets en entrée, déchets en sortie.

Slide 12 — Entraînement vs utilisation

	Entraînement	Utilisation (inférence)
Quoi ?	L'IA apprend	L'IA répond
Durée	Semaines / mois	< 1 seconde
Coût	Très cher (millions)	Minime par requête
Fréquence	Une fois	Des milliards de fois/jour

Slide 13 — L'analogie du médecin

• Former un médecin : 10 ans, très coûteux → l'entraînement
• Consulter un médecin : 20 minutes → l'inférence
• On ne re-forme pas le médecin à chaque patient !

Quand vous parlez à ChatGPT, il n'apprend pas : il utilise ce qu'il sait déjà. Son "cerveau" est figé depuis l'entraînement.

Slide 14 — Le neurone artificiel : un petit calculateur

Inspiré du cerveau — pas une copie (un vrai neurone est infiniment plus complexe)

Un neurone artificiel fait 3 choses :

1. Reçoit des signaux (des nombres)
2. Les pèse : certains comptent beaucoup, d'autres peu → les poids
3. Décide : si le total dépasse un seuil → il "s'allume" et transmet

Slide 15 — L'analogie du videur

Le videur de la boîte de nuit :

• reçoit plusieurs infos (âge, tenue, attitude…)
• donne plus ou moins d'importance à chacune → les poids
• décide : entre / n'entre pas → le signal de sortie

Un neurone artificiel = un videur mathématique. Un réseau = des milliers de videurs qui se passent le mot.

Slide 16 — Le réseau : des couches de calculateurs

• Couche d'entrée : les données brutes (ex. : pixels d'une image)
• Couches cachées : détectent des choses de plus en plus complexes
  (traits → formes → oreilles, moustaches → « chat ! »)
• Couche de sortie : la réponse

Les grandes IA : l'équivalent de centaines de milliards de poids — chiffres périmés chaque année.

Slide 17 — DÉMO : le visualiseur de réseau

Page interactive, onglet « Réseau de neurones »

• Regardez les signaux traverser les couches
• Bougez les curseurs de poids → la sortie change !
• Bouton "Entraînement auto" : les poids se règlent tout seuls

Apprendre = régler ces curseurs automatiquement. Sauf qu'il y en a des milliards.

Slide 18 — Le secret de l'apprentissage, en une phrase

Apprendre = ajuster les poids pour réduire l'erreur.

• L'IA se trompe → elle décale légèrement chaque poids dans le bon sens
• Des millions de micro-ajustements plus tard : elle est devenue forte
• C'est TOUT. Pas de magie. Des réglages.

Slide 19 — L'overfitting : l'élève qui apprend par cœur

Deux élèves, même livre de 50 exercices corrigés :

• Élève A : comprend les méthodes → réussit le contrôle (exercices nouveaux)
• Élève B : mémorise les 50 réponses → échoue totalement

L'élève B, c'est l'overfitting (surapprentissage) : brillant sur le connu, nul sur le nouveau. Or une IA ne sert QUE sur du nouveau !

Slide 20 — Comment détecter l'apprentissage par cœur ?

• On garde des exercices secrets : les données de test
• L'IA ne les voit JAMAIS pendant l'entraînement
• Score entraînement 99,9 % mais score test 60 % ? → par cœur détecté !

DÉMO — onglet « Overfitting » : regardez les deux courbes diverger — le moment exact où l'IA se met à réciter.

Slide 21 — À vous : entraînez votre propre IA !

Option A — Teachable Machine ( outil Google gratuit, interface évolutive)

1. Deux classes : main ouverte / poing
2. ~30 photos par classe en variant les angles
3. « Entraîner » (30 s) → testez en direct !
4. Le twist : testez avec l'autre main… ça rate ? Pourquoi ?

Option B (hors ligne) — onglet « Simulateur supervisé » de la page interactive.

Slide 22 — Débriefing de l'atelier

• Qu'est-ce qui a rendu votre modèle bon ? mauvais ?
• Réponses attendues : nombre d'exemples · diversité · qualité
• Vous venez de vivre en 10 minutes ce que vivent les ingénieurs IA pendant des mois

Toute la théorie de la séance vient de se vérifier sous vos yeux.

Slide 23 — Les 6 idées à retenir

1. L'IA apprend à partir d'exemples
2. 3 modes : prof · bonbons · jeu vidéo
3. Données = carburant : quantité, qualité, diversité
4. Entraîner = long et cher · Utiliser = rapide
5. Réseau = couches de calculateurs · apprendre = régler les poids
6. Overfitting = par cœur ≠ comprendre · le test sur du jamais-vu est le juge

Slide 24 — Quiz !

10 questions, en équipes, à main levée

Celui qui a tout compris sans apprendre par cœur… a parfaitement généralisé.

Note animateur : quiz/quiz.md — corrigé commenté inclus.

Slide 25 — La prochaine fois…

L'IA générative

• Comment une machine peut-elle écrire, dessiner, composer ?
• ChatGPT, générateurs d'images… que se passe-t-il vraiment sous le capot ?

Session 3 — à ne pas manquer.

Applied AI · Yann Isola · Débutant