Entraîner le cerveau de la machine
| Projet | Durée | Difficulté | Âge |
|---|---|---|---|
| Youth AI Lab | 2h50 (4 temps) | Intermédiaire | 12-18 ans |
Matériel
- 1 ordinateur portable par groupe, connecté à internet, avec webcam si l'entraînement se fait en direct
- 1 fiche de relevé d'entraînement et de test par groupe (A4 recto-verso)
- 1 jeu de post-it de couleurs différentes par groupe
- 4 gobelets de 50 ml et 3 béchers gradués de 250 ml par groupe
- 1 paquet de post-it indicateurs de couleur pour l'ensemble du groupe
- 0,5 à 1 L d'eau par groupe
- Teachable Machine, outil en ligne
Thèmes d'exploration
- La classification supervisée : entraîner un modèle à ranger des entrées dans des classes
- Les données d'entraînement et les données de test : ce sur quoi le modèle apprend, et ce sur quoi on le vérifie
- La généralisation : bien se comporter sur des cas nouveaux, jamais vus
- Les cas limites : les entrées difficiles qui révèlent les limites du modèle
- L'erreur du modèle : quand et pourquoi le modèle se trompe
- Le perceptron : un neurone simple qui combine des entrées pondérées et les compare à un seuil
Cette fiche prolonge Enquêter sur la façon dont les machines apprennent et prépare Concevoir une IA avec un robot.
Déroulé de l'exploration
Les jeunes entraînent de petits modèles de classification, analysent les situations où ils échouent, construisent un perceptron physique pour voir comment un neurone combine ses entrées, puis imaginent des usages sociaux de l'IA reliés aux Objectifs de développement durable.
Étape 1 : Réactiver la machine (60 minutes)
Question clé : Sur quoi le modèle se trompe-t-il, et pourquoi ?
Chaque groupe entraîne un classifieur sur une caractéristique visible :
- avec ou sans lunettes
- main ouverte ou poing fermé
Les résultats d'entraînement et de test sont consignés sur la fiche de relevé. Le groupe identifie ce que le modèle réussit, ce qu'il confond et ce sur quoi il échoue. Il introduit ensuite des cas limites pour trouver le point de rupture :
- lumière insuffisante
- angle différent
- distance différente
- accessoire jamais présenté pendant l'entraînement
L'objectif n'est pas d'obtenir un modèle qui marche, mais un modèle qu'on a réussi à casser en sachant pourquoi. Un groupe qui obtient 100 % de réussite n'a pas encore cherché assez loin : l'inviter à sortir du cadre d'entraînement (contre-jour, arrière-plan chargé, main partiellement hors champ).
Étape 2 : Biais et erreur (15 minutes)
Question clé : Que se passe-t-il quand l'erreur d'un modèle touche toujours les mêmes personnes ?
Discussion éthique courte, qui relie la fiabilité observée à des cas réels de systèmes biaisés :
- reconnaissance d'images entraînée sur un groupe de personnes trop étroit
- systèmes de tri automatique de candidatures
La discussion est menée avec précaution, de manière à ce qu'aucun jeune ne se retrouve exposé personnellement.
Étape 3 : Explorer un perceptron (75 minutes)
Question clé : Une machine peut-elle « décider » avec juste de l'eau et un seuil ?
Les groupes construisent un perceptron en gobelets d'eau :
- les entrées sont les petits gobelets, allumés ou éteints
- les poids sont la quantité d'eau versée depuis chaque gobelet
- le biais est un trait de seuil tracé sur le grand bécher
- la sortie est le fait que le niveau d'eau dépasse ce trait, ou non
Le groupe ajuste les quantités d'eau jusqu'à classer correctement les cas proposés. Puis vient le défi diagonal, qu'un perceptron unique ne sait pas résoudre : il faut alors introduire une couche cachée de deux neurones, chacun alimenté par une couleur de gobelets, avant un neurone final. La solution consiste à remplir les gobelets d'une couleur sur une diagonale et ceux de l'autre couleur sur l'autre diagonale.
Le PDF de la fiche contient les deux schémas de correction : le neurone unique de la première manche (seuil à 120 ml, soit moins de 3 petits gobelets) et la couche cachée à deux neurones du défi final (seuil de moins de 2 petits gobelets par neurone). Prévoir de quoi éponger.
Étape 4 : Imaginer des usages (20 minutes)
Chaque groupe choisit un problème social de son environnement immédiat :
- trier des déchets
- repérer un gaspillage d'énergie
- arroser un jardin
- signaler une poubelle pleine
Il esquisse ensuite ce que le modèle devrait reconnaître et quel risque ou quelle limite il pourrait présenter.
Productions attendues
Chaque groupe repart avec :
- un modèle entraîné et mis à l'épreuve, avec ses relevés
- l'identification de ce qui influence sa performance
- l'expérience d'un perceptron physique manipulé de bout en bout
- une proposition de tâche d'IA socialement utile, reliée à un Objectif de développement durable, avec ses besoins en données et au moins une limite
- une carte de clôture rassemblant une idée, une preuve et une question
L'accroche et le côté ludique
- Apprendre à une machine puis chercher à la tromper avec des cas limites
- Faire fonctionner un neurone avec de l'eau, et voir la décision se jouer au niveau du trait de seuil
- Imaginer des applications locales utiles, en petite équipe de conceptrices et concepteurs d'IA en mission sociale
Indicateurs de réussite
Les jeunes :
- entraînent, testent, relèvent et analysent le modèle au lieu de se contenter de l'utiliser, en parlant de données, d'erreurs, de cas limites et de seuils
- relient les erreurs à la lumière, l'angle, l'arrière-plan ou le manque de variété des données
- expliquent ce que représente chaque élément du perceptron, et qu'une réponse dépend d'une combinaison d'entrées
- proposent, par groupe, une application reliée à un Objectif de développement durable, avec au moins un besoin en données et une limite du modèle
Cette fiche fait partie du projet Youth AI Lab, financé par le programme Erasmus+. Contenu sous licence CC BY-SA 4.0.