--- 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) | Mot | C'est-à-dire… | |---|---| | **Entrée** (input) | Ce qu'on donne à l'IA (photo, texte…) | | **Étiquette** (label) | La bonne réponse ("chat", "spam"…) | | **Erreur** | L'écart entre sa réponse et la bonne | > **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*