🟢 Session 2 — Exercices : Comment l’IA apprend-elle ?
Applied AI — Yann Isola · Niveau Débutant Trois exercices, à faire seul·e, en binôme ou en groupe. Aucun ordinateur nécessaire (sauf mention). Corrigés en fin de document — ne trichez pas… ou juste un peu. 😉
Exercice 1 — 🎲 Le jeu du classement : quelle façon d’apprendre ?
Durée : 15 min · Format : binômes puis mise en commun
Une IA peut apprendre de 3 façons :
- 👩🏫 Supervisé : on lui donne des exemples AVEC les bonnes réponses (le prof qui corrige).
- 🍬 Non supervisé : on lui donne des exemples SANS réponses, elle trouve des groupes toute seule (trier des bonbons).
- 🎮 Renforcement : elle essaie, gagne ou perd des points, et s’améliore (le jeu vidéo).
Pour chaque situation ci-dessous, indiquez le mode d’apprentissage (👩🏫, 🍬 ou 🎮) et justifiez en une phrase :
| # | Situation | Mode ? |
|---|---|---|
| 1 | On montre à une IA 100 000 photos de fruits, chacune avec son nom (“pomme”, “banane”…), pour qu’elle apprenne à les reconnaître. | |
| 2 | Une IA joue 10 millions de parties d’échecs contre elle-même ; elle gagne des points quand elle met échec et mat. | |
| 3 | Un site de streaming donne à une IA l’historique d’écoute de millions d’utilisateurs, sans aucune consigne, et elle découvre des “familles” d’auditeurs aux goûts similaires. | |
| 4 | Une banque montre à une IA des milliers de transactions étiquetées “fraude” ou “normale” pour qu’elle apprenne à repérer les fraudes. | |
| 5 | Un robot aspirateur virtuel se cogne dans les murs (-10 points) et couvre de la surface propre (+1 point par m²), et améliore son trajet au fil des essais. | |
| 6 | Une IA reçoit 50 000 articles de presse en vrac et les regroupe automatiquement par thèmes, sans qu’on lui ait donné la liste des thèmes. | |
| 7 | On entraîne une IA à traduire en lui montrant des millions de phrases françaises avec leur traduction anglaise. | |
| 8 | 🌶️ (Piège !) Une IA de conversation est d’abord entraînée sur d’énormes quantités de textes, puis des humains notent ses réponses (👍/👎) pour l’améliorer. |
Question bonus de réflexion : pour la situation 1, que se passerait-il si 10 % des étiquettes étaient fausses (des bananes étiquetées “pomme”) ? Répondez avec l’analogie du prof.
Exercice 2 — 🔍 Chasse à l’overfitting : le détecteur d’élèves “par cœur”
Durée : 15 min · Format : individuel puis correction collective
Rappel : l’overfitting (surapprentissage), c’est quand l’IA apprend “par cœur” ses exemples d’entraînement au lieu de comprendre. Résultat : excellente sur ce qu’elle connaît, mauvaise sur du nouveau. Pour le détecter, on compare :
- le score d’entraînement (sur les exercices déjà vus)
- le score de test (sur des exercices gardés secrets)
Partie A — Diagnostic
Quatre IA ont été entraînées à reconnaître des panneaux routiers. Voici leurs scores. Pour chacune, posez votre diagnostic : bon apprentissage, 🧠 overfitting (par cœur), ou 😴 underfitting (pas assez appris).
| IA | Score entraînement | Score test | Diagnostic ? |
|---|---|---|---|
| A | 95 % | 93 % | |
| B | 99,9 % | 61 % | |
| C | 55 % | 54 % | |
| D | 88 % | 85 % |
Questions :
- Laquelle choisiriez-vous pour équiper une vraie voiture ? Pourquoi ?
- L’IA B a le meilleur score d’entraînement de toutes. Pourquoi est-ce un piège ?
- Que conseiller à l’équipe de l’IA C ? (Indice : pensez à l’élève qui n’a pas assez travaillé.)
Partie B — Les courbes qui parlent
Voici l’évolution des scores d’une IA pendant son entraînement :
Score
100 %| ______ Entraînement
| ______/
90 %| _____/
| _/ ...•••••••...
80 %| _/ ..•• ••..
| /..• ••.. Test
70 %| /.• ••..
| /• ••
60 %| •
+---------|---------|---------|---------→
Début Étape 1 Étape 2 Étape 3 Temps
- Au début, les deux courbes montent ensemble. Que se passe-t-il ?
- À partir de quel moment l’overfitting commence-t-il ? Comment le voyez-vous ?
- Si vous étiez l’ingénieur·e, à quel moment auriez-vous arrêté l’entraînement ?
- 🌶️ Question transfert : racontez la même histoire mais avec un élève humain qui prépare un contrôle en refaisant 50 fois LES MÊMES exercices. Que devient-il bon à faire ? Que rate-t-il ?
Exercice 3 — 🏗️ Construisez votre propre jeu de données d’entraînement
Durée : 20-25 min · Format : petits groupes de 3-4 · Le plus créatif des trois !
Vous êtes une équipe d’ingénieur·e·s IA. Mission : concevoir sur papier le jeu de données pour entraîner une IA (apprentissage supervisé). Vous ne collectez pas les vraies données — vous rédigez le plan de collecte, comme les pros.
Étape 1 — Choisissez votre projet (ou inventez-en un)
- 🐶 Une IA qui reconnaît si une photo montre un chien ou un chat
- 🎵 Une IA qui devine si une chanson est “joyeuse” ou “triste”
- ✉️ Une IA qui détecte les messages méchants sur un réseau social
- 🍅 Une IA qui repère les tomates mûres pour un robot de cueillette
- 💡 Votre idée : ______________________
Étape 2 — Remplissez la fiche de conception
- Entrées : que donne-t-on à l’IA ? (photos ? sons ? textes ?)
- Étiquettes : quelles sont les catégories de réponse ? (2 minimum)
- Quantité : combien d’exemples par catégorie ? Justifiez. (Indice : 10, c’est trop peu. Pourquoi ?)
- Diversité : listez au moins 5 variations à inclure absolument pour que l’IA généralise. (Ex. pour les chiens : races différentes, intérieur/extérieur, jour/nuit, de face/de dos, chiots/adultes…)
- Qui étiquette ? Qui va donner les bonnes réponses, et que faire si deux personnes ne sont pas d’accord ? (Ex. : cette chanson est-elle joyeuse ou triste ? Pas si simple !)
- Données de test : quelle part gardez-vous secrète pour l’examen final ? Pourquoi l’IA ne doit-elle JAMAIS les voir pendant l’entraînement ?
Étape 3 — Le crash-test 😈
Échangez votre fiche avec un autre groupe. Chaque groupe cherche les failles du plan des autres :
- « Et si on montre à votre IA un renard, elle dit quoi ? » (cas ambigus)
- « Vos photos viennent toutes du même téléphone ? » (manque de diversité)
- « Qui a décidé de ce qui est “méchant” ? Tout le monde serait d’accord ? » (biais et subjectivité)
- « Votre IA marcherait-elle dans un autre pays ? En hiver ? » (généralisation)
Notez les 2 meilleures failles trouvées, puis corrigez votre plan en conséquence.
Étape 4 — Pitch final (1 min par groupe)
Présentez : votre IA, votre plan de données, la pire faille trouvée par l’autre groupe, et votre correction.
💡 Ce que cet exercice vous apprend : dans les vrais projets d’IA, la collecte et la préparation des données représentent souvent LA plus grosse partie du travail — bien plus que l’entraînement lui-même. Les meilleurs ingénieurs IA sont d’abord des obsédés de la qualité des données.
🔑 Corrigés
Exercice 1
| # | Réponse | Justification |
|---|---|---|
| 1 | 👩🏫 Supervisé | Exemples + bonnes réponses (les noms des fruits = étiquettes). |
| 2 | 🎮 Renforcement | Essais + récompense (victoire) / punition (défaite). |
| 3 | 🍬 Non supervisé | Aucune étiquette : l’IA découvre les groupes seule. |
| 4 | 👩🏫 Supervisé | Transactions étiquetées “fraude”/“normale”. |
| 5 | 🎮 Renforcement | Points gagnés/perdus selon les actions, amélioration par essais. |
| 6 | 🍬 Non supervisé | Articles en vrac, thèmes découverts sans consigne. |
| 7 | 👩🏫 Supervisé | Chaque phrase a sa “bonne réponse” : la traduction. |
| 8 | 🌶️ Mélange ! | Pré-entraînement sur textes, PUIS renforcement à partir des notes humaines (👍/👎 = récompenses). Les vraies IA combinent souvent plusieurs modes. |
Bonus : c’est comme un prof qui corrige avec un corrigé faux 1 fois sur 10 : l’élève apprend en partie des erreurs. L’IA confondra parfois pommes et bananes — des étiquettes fausses “empoisonnent” l’apprentissage. Qualité > quantité.
Exercice 2
Partie A :
| IA | Diagnostic | Pourquoi |
|---|---|---|
| A | Bon apprentissage | Scores élevés ET proches : elle généralise. |
| B | 🧠 Overfitting | Quasi parfaite sur l’entraînement, catastrophique sur le nouveau : elle a appris par cœur. |
| C | 😴 Underfitting | Mauvaise partout : elle n’a pas assez appris (pas assez de données, d’entraînement, ou modèle trop simple). |
| D | Bon apprentissage | Un peu moins forte que A, mais saine (scores proches). |
- L’IA A : meilleur score sur données NOUVELLES — et sur la route, tout est nouveau.
- Le score d’entraînement ne mesure que la récitation. Seul le score de test mesure la vraie compétence. B est l’élève qui a mémorisé le livre d’exercices.
- Pour C : plus de données, plus d’entraînement, ou un modèle plus costaud. C’est l’élève qui doit simplement travailler davantage.
Partie B :
- L’IA apprend des régularités générales, utiles partout : les deux scores montent.
- Vers l’étape 1-2 : la courbe de test atteint un sommet puis redescend alors que la courbe d’entraînement continue de monter. La divergence des courbes = signature de l’overfitting.
- Au sommet de la courbe de TEST (vers l’étape 1-2). Les pros appellent ça l’arrêt anticipé (early stopping).
- L’élève devient imbattable… sur ces 50 exercices précis (il connaît les réponses par cœur). Mais il rate tout exercice nouveau : il a mémorisé des réponses au lieu de comprendre des méthodes. C’est exactement l’IA B.
Exercice 3
Pas de corrigé unique — grille d’évaluation pour l’animateur :
| Critère | On attend… |
|---|---|
| Entrées/étiquettes | Cohérentes et précises (catégories sans chevauchement flou) |
| Quantité | Des centaines/milliers par catégorie, ET équilibrées entre catégories |
| Diversité | ≥ 5 variations pertinentes (conditions, angles, styles, populations…) |
| Étiquetage | Conscience de la subjectivité ; idée de faire voter plusieurs personnes en cas de désaccord |
| Données de test | Une part (souvent ~10-20 %) gardée secrète ; si l’IA les voit, l’examen est truqué (elle pourrait les “réciter”) |
| Crash-test | Failles pertinentes trouvées ET corrections concrètes |
Points de discussion à faire émerger : les cas ambigus (renard ? chanson douce-amère ?), les biais (“méchant” selon qui ?), et le fait que les données décident de TOUT ce que l’IA saura — et de tout ce qu’elle ignorera.
Applied AI — Yann Isola · Niveau Débutant 🟢 · Session 2 — Exercices