Double page 20
Apprendre à partir d'exemples
Comment expliquer à un ordinateur ce qu'est un chat ? On pourrait écrire des règles : « quatre pattes, des moustaches, des oreilles pointues »… Mais un chat vu de dos ? Un chat roulé en boule ? Un chien aux oreilles pointues ? Les règles ne suffisent jamais. Alors on a changé de méthode.
Deux façons de programmer
- La programmation classique : l’humain écrit les règles, la machine les applique. C’est parfait pour calculer une facture ou trier une liste, mais impossible pour reconnaître un visage.
- L’apprentissage automatique : l’humain fournit des exemples et la bonne réponse pour chacun ; la machine trouve elle-même les règles. C’est un peu comme un enfant qui apprend à reconnaître les chiens en en voyant beaucoup, sans qu’on lui en donne une définition.
Les étapes de l’apprentissage
- Rassembler des données : par exemple, 100 000 photos d’animaux, chacune avec une étiquette (« chat », « chien »…).
- Entraîner le modèle : il fait une prédiction pour chaque photo. Au début, il répond presque au hasard. À chaque erreur, on corrige légèrement ses réglages internes pour qu’il se trompe un peu moins.
- Répéter des millions de fois, jusqu’à ce que les prédictions soient justes.
- Tester le modèle sur des photos qu’il n’a jamais vues, pour vérifier qu’il a vraiment appris, et pas seulement mémorisé.
Trois grandes familles d’apprentissage
- Apprentissage supervisé : chaque exemple est accompagné de la bonne réponse. C’est le cas le plus courant.
- Apprentissage non supervisé : la machine reçoit des données sans étiquette et cherche seule des regroupements, par exemple des clients aux habitudes semblables.
- Apprentissage par renforcement : la machine agit, reçoit des récompenses ou des pénalités, et apprend par essais et erreurs. C’est ainsi qu’AlphaGo a appris le go.
→ DP 16
Le savais-tu ? Quand un site te demande de cliquer sur « toutes les images contenant un feu de signalisation » pour prouver que tu n’es pas un robot, tu aides parfois, sans le savoir, à étiqueter des données qui servent à entraîner des IA.
Zoom sur… le surapprentissage Un modèle peut apprendre ses exemples « par cœur » sans comprendre la règle générale, comme un élève qui mémorise les corrigés sans comprendre la leçon. Il réussit alors parfaitement à l’entraînement mais échoue sur de nouvelles données. Les chercheurs appellent cela le surapprentissage.