# 🟢 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 :** 1. Laquelle choisiriez-vous pour équiper une vraie voiture ? Pourquoi ? 2. L'IA B a le meilleur score d'entraînement de toutes. Pourquoi est-ce un piège ? 3. 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 ``` 1. Au début, les deux courbes montent ensemble. Que se passe-t-il ? 2. À partir de quel moment l'overfitting commence-t-il ? Comment le voyez-vous ? 3. Si vous étiez l'ingénieur·e, à quel moment auriez-vous arrêté l'entraînement ? 4. 🌶️ **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 1. **Entrées** : que donne-t-on à l'IA ? (photos ? sons ? textes ?) 2. **Étiquettes** : quelles sont les catégories de réponse ? (2 minimum) 3. **Quantité** : combien d'exemples par catégorie ? Justifiez. (Indice : 10, c'est trop peu. Pourquoi ?) 4. **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…)* 5. **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 !)* 6. **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). | 1. **L'IA A** : meilleur score sur données NOUVELLES — et sur la route, tout est nouveau. 2. 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. 3. Pour C : plus de données, plus d'entraînement, ou un modèle plus costaud. C'est l'élève qui doit simplement travailler davantage. **Partie B :** 1. L'IA apprend des régularités générales, utiles partout : les deux scores montent. 2. 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. 3. Au sommet de la courbe de TEST (vers l'étape 1-2). Les pros appellent ça **l'arrêt anticipé** (early stopping). 4. 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*