Des règles ou des exemples
En une phraseComprendre qu’on peut faire faire une tâche à une machine de deux façons, en lui écrivant des règles ou en lui montrant des exemples, et pourquoi les règles échouent pour reconnaître un chat.
Savoir professeur
Dix minutes de lecture, pour préparer la séance sans connaissance préalable.
Deux façons de faire travailler une machine
Un ordinateur n’exécute que des instructions. Pour lui faire réaliser une tâche, il existe deux grandes façons de procéder.
La première, la programmation classique, consiste à écrire soi-même les règles : « si le panier dépasse cinquante euros, la livraison est gratuite ». Elle convient aux tâches dont on connaît les règles exactes : calculer un prix, trier une liste, gérer un feu tricolore. Ses réponses sont prévisibles et explicables, puisqu’un humain a écrit chaque règle.
La seconde, l’apprentissage automatique, consiste à fournir à la machine un grand nombre d’exemples dont on connaît la réponse, des données étiquetées : des milliers de photos, chacune marquée « chat » ou « pas chat ». Un algorithme ajuste alors des nombres internes, les paramètres, jusqu’à ce que la machine retrouve les bonnes réponses sur ces exemples. La règle finale n’est écrite par personne.
Pourquoi les règles échouent devant un chat
Chacun reconnaît un chat d’un coup d’œil, mais personne ne sait écrire la règle qui le définit. Le philosophe Michael Polanyi a résumé ce phénomène en 1966 : nous savons plus que nous ne pouvons dire. Une grande part de nos savoir-faire, reconnaître un visage, une voix ou un chat, échappe à toute description.
L’activité le fait toucher du doigt. Chaque règle raisonnable a ses exceptions : « des poils » écarte le sphynx, « quatre pattes » écarte le chat accidenté, « une queue » écarte le manx, « des oreilles pointues » écarte le scottish fold. À l’inverse, le renard, le chihuahua et la peluche cochent presque toutes les cases. Corriger une règle en ajoute d’autres, qui ont leurs propres exceptions.
Il existe une difficulté plus profonde encore. Pour une machine, une photo n’est qu’un tableau de nombres, un par point de l’image. La règle « des oreilles pointues » suppose un programme capable de trouver des oreilles dans ces nombres, ce qui pose exactement le même problème. C’est pourquoi la vision par ordinateur a si longtemps piétiné.
Dans les années 1980, les systèmes experts ont poussé l’approche par règles très loin : des milliers de règles rédigées avec des médecins ou des ingénieurs. Ils fonctionnaient dans des domaines étroits, mais coûtaient cher, se contredisaient et devenaient impossibles à maintenir. Leur essoufflement a contribué au deuxième « hiver de l’IA », que la séance 3 raconte.
Ce que change l’apprentissage par l’exemple
En 2012, un réseau de neurones entraîné sur plus d’un million de photos étiquetées remporte le concours ImageNet de reconnaissance d’images. Sur mille catégories, la bonne réponse ne figure pas parmi ses cinq propositions dans 15 % des cas seulement, contre 26 % pour le meilleur concurrent. Depuis, presque toute la reconnaissance d’images, de la parole et du langage repose sur l’apprentissage par l’exemple. ChatGPT en est une forme : personne ne lui a écrit les règles de grammaire.
La démonstration de la séance utilise une méthode bien plus simple, les plus proches voisins. La machine découpe le dessin en une grille de cases plus ou moins noircies, cherche parmi ses exemples les trois dessins les plus ressemblants, case par case, et donne la réponse de la majorité. À aucun moment elle n’utilise une règle comme « un rond est une ligne fermée ». La séance 5 reprendra cette méthode en détail.
Les limites à faire voir
Une machine qui apprend par l’exemple ne vaut que ce que valent ses exemples. Tous les ronds de la démonstration sont grands et centrés : un petit rond dans un coin ne ressemble à aucun d’eux, et la machine se trompe. Lui montrer quelques petits ronds dans les coins corrige l’erreur, sans qu’aucune explication soit nécessaire.
Elle peut aussi apprendre autre chose que ce que l’on croit. En 2016, des chercheurs ont volontairement entraîné un classifieur sur des photos où tous les loups étaient dans la neige, et aucun husky. Il semblait bien distinguer les deux… mais il regardait la neige, au fond de l’image. Cet exemple prépare les séances 9 et 20.
Ni l’une ni l’autre n’est meilleure
Les deux approches répondent à des besoins différents. Les règles conviennent quand on les connaît et quand il faut pouvoir justifier chaque décision : calcul d’un impôt, d’une note, d’un tarif. L’apprentissage convient aux tâches de perception et de langue, où les règles nous échappent, au prix d’erreurs plus difficiles à prévoir et à expliquer. Beaucoup de systèmes réels combinent les deux, comme les filtres de courrier indésirable.
Vocabulaire et erreurs fréquentes
Employer : programme, règle, exemple, donnée étiquetée, apprentissage automatique, modèle. Éviter « la machine pense » ou « le cerveau de l’IA », qui installent une image fausse.
Trois idées reçues reviennent souvent. « L’IA apprend toute seule » : non, des humains choisissent et étiquettent les exemples. « Avec assez de règles, on y arriverait » : les systèmes experts montrent le contraire. « Elle reconnaît le chat comme nous » : elle repère des régularités dans des nombres, parfois très éloignées de ce qu’un humain regarde.
Déroulé
- 5 min
Accroche
Demander à main levée qui sait reconnaître un chat : toute la classe lève la main. Demander ensuite qui saurait expliquer à un ordinateur, par écrit, comment en reconnaître un. Annoncer le défi de la séance : écrire ces règles, puis les mettre à l’épreuve.
- 12 min
Écrire les règles
Groupes de trois ou quatre, avec trois rôles qui changeront à la prochaine séance : une personne écrit, une lit les cartes, une présentera le résultat. Sans voir les cartes, chaque groupe écrit au plus cinq règles de la forme « C’est un chat si… » ou « Ce n’est pas un chat si… ».
- 13 min
Mettre les règles à l’épreuve
Distribuer les douze cartes. Pour chaque carte, le groupe applique ses règles à la lettre, sans les interpréter, et note leur verdict à côté de ce qu’il sait, lui. Il compte les erreurs, peut corriger ses règles une seule fois, puis recommence et observe les nouvelles erreurs.
- 8 min
Mise en commun
Relever au tableau le nombre d’erreurs de chaque groupe et les cartes qui ont piégé le plus de règles. Faire formuler les deux constats : nous savons reconnaître un chat sans savoir dire comment ; chaque règle ajoutée apporte ses propres exceptions. Annoncer l’autre façon de faire : montrer des exemples.
- 7 min
Une machine qui apprend par l’exemple
Projeter la démonstration. Dessiner un rond, puis une croix : la machine répond juste sans connaître aucune règle. Dessiner un petit rond dans un coin : elle se trompe. Lui apprendre trois petits ronds dans les coins, réessayer. Faire dire ce qu’elle compare : des cases noircies, pas des formes.
- 5 min
Trace écrite
Projeter la trace écrite, la faire recopier ou distribuer la version imprimée.
- 5 min
Vérification
Lire les quatre questions ; les élèves répondent par écrit, lettre par lettre, puis correction immédiate. Ramasser les réponses donne une image rapide de la classe.
Version avec ordinateurs
- L’écriture des règles et l’épreuve des cartes restent sur papier : c’est le cœur de la séance.
- Pour la démonstration, les élèves travaillent en binôme sur ia.edulatex.xyz/demonstrations, deuxième démonstration (« Apprendre par l’exemple »), au lieu de la projection.
- Dessiner trois ronds et trois croix de tailles différentes, noter chaque fois la réponse de la machine.
- Trouver un dessin qui la trompe, puis lui apprendre ce dessin jusqu’à ce qu’elle ne se trompe plus.
- Écrire une phrase qui commence par « La machine ne sait pas ce qu’est un rond, elle compare… ».
Apprendre par l’exemple
Cette machine a vu 8 ronds et 8 croix dessinés à la main. Dessinez une forme dans le cadre : elle cherche, parmi ses exemples, les trois qui ressemblent le plus à votre dessin.
Votre dessin
Ce que voit la machine
Une grille de 16 × 16 cases plus ou moins noircies. Elle ne voit ni lignes ni formes.
Sa réponse
Dessinez une forme : sa réponse s’affiche ici.
Tout ce qu’elle a vu : 16 exemples
Version sans ordinateur
Toute la séance se fait sans ordinateur. Seule la démonstration change : la classe joue elle-même la machine qui apprend par l’exemple, au tableau, sur des grilles de cinq cases sur cinq.
Matériel
- Les douze cartes, une planche par groupe, découpées à l’avance ou par les élèves.
- Une feuille par groupe pour les règles et le décompte des erreurs.
- Le tableau, pour la machine à comparer.
Consignes
- Mener l’accroche, l’écriture des règles, l’épreuve des cartes et la mise en commun comme dans le déroulé.
- Au tableau, tracer quatre grilles de cinq cases sur cinq, les exemples de la machine. Deux grands ronds : les douze cases du bord, sans les quatre coins. Deux grandes croix : les neuf cases des deux diagonales. Les étiqueter « rond » et « croix ».
- Tracer une cinquième grille, le nouveau dessin : une croix droite, en forme de signe plus, faite de la ligne et de la colonne du milieu.
- La machine ne voit que des cases. Faire compter, pour chaque exemple, les cases noircies en commun avec le nouveau dessin : quatre avec chaque rond, une seule avec chaque croix.
- Conclure comme la machine : le dessin ressemble le plus à un rond, donc c’est un rond. Faire remarquer que n’importe quel élève y voit une croix, et demander ce qu’il faudrait montrer à la machine pour qu’elle ne se trompe plus : des croix droites.
Trace écrite
Pour faire réaliser une tâche par une machine, on peut lui écrire des règles : c’est la programmation classique. On peut aussi lui montrer de nombreux exemples dont on connaît la réponse : c’est l’apprentissage automatique.
Certaines tâches, comme reconnaître un chat, sont faciles pour nous mais impossibles à décrire par des règles : chaque règle a ses exceptions. En apprenant par l’exemple, la machine trouve elle-même une façon de répondre, que personne n’a écrite.
Une machine qui apprend par l’exemple compare des nombres, pas des idées. Elle se trompe sur les cas qui ne ressemblent à aucun de ses exemples.
Vérification
À projeter ou à lire en fin de séance. Les réponses sont repliées.
-
Pourquoi est-il si difficile d’écrire les règles qui reconnaissent un chat ?
- AParce que les ordinateurs ne savent pas lire des règles.
- BParce que chaque règle a des exceptions, et que nous reconnaissons un chat sans savoir dire comment.
- CParce qu’il existe trop de races de chats pour les écrire toutes.
Réponse
B. Le sphynx n’a pas de poils, le manx n’a pas de queue, le renard a des moustaches. Nous reconnaissons un chat d’un coup d’œil, mais ce savoir ne se laisse pas mettre en règles.
-
Qu’est-ce que l’apprentissage automatique ?
- AUne machine qui apprend toute seule, sans aucune aide humaine.
- BUn programme dont un humain a écrit toutes les règles à l’avance.
- CUne méthode où la machine règle ses calculs à partir d’exemples dont on connaît la réponse.
Réponse
C. Ce sont des humains qui choisissent les exemples, leur donnent la bonne réponse et choisissent la méthode. La machine ajuste ensuite ses calculs pour reproduire ces réponses.
-
Dans la démonstration, pourquoi la machine se trompe-t-elle sur certains dessins ?
- AParce qu’ils ne ressemblent, case par case, à aucun de ses exemples.
- BParce qu’elle n’a pas assez de puissance de calcul.
- CParce que le dessin est mal fait.
Réponse
A. Elle compare des cases noircies, pas des formes. Un dessin qu’aucun exemple ne rappelle la met en défaut, même s’il est parfaitement clair pour nous.
-
Laquelle de ces tâches se prête le mieux à des règles écrites par un humain ?
- AReconnaître un visage sur une photo.
- BCalculer le prix d’un panier de courses avec une réduction de dix pour cent.
- CComprendre une phrase prononcée à l’oral.
Réponse
B. Le calcul d’un prix suit des règles connues et exactes : on peut les écrire sans exception. Reconnaître un visage ou comprendre la parole relève, comme le chat, de ce que nous savons faire sans savoir l’expliquer.
Questions difficiles
Les questions d’élèves qui déstabilisent, et une réponse possible.
Alors l’IA apprend toute seule ?
Non. Des humains choisissent les exemples, leur attribuent la bonne réponse et choisissent la méthode d’apprentissage. « Apprendre » veut dire ici ajuster des nombres pour que les réponses de la machine collent à celles des exemples. Personne n’écrit la règle finale, mais tout le reste est un travail humain.
Si on écrit assez de règles, ça finira bien par marcher ?
On l’a cru. Dans les années 1980, les systèmes experts rassemblaient des milliers de règles écrites avec des spécialistes. Ils fonctionnaient dans des domaines étroits, mais devenaient impossibles à maintenir : chaque nouvelle règle en contredisait d’autres. Leur essoufflement a contribué à un « hiver de l’IA », que la séance 3 raconte.
Comment la machine peut-elle reconnaître un chat si elle ne sait pas ce qu’est une oreille ?
Elle ne le sait pas. Une photo est pour elle un tableau de nombres. Elle associe certaines régularités de ces nombres à l’étiquette « chat ». Parfois ce n’est pas du tout ce que l’on croit : des chercheurs ont construit un classifieur sur des photos où tous les loups étaient dans la neige ; il distinguait les loups des chiens… en repérant la neige.
Et ChatGPT, c’est des règles ou des exemples ?
Des exemples, en immense quantité : des textes sur lesquels il a appris à prévoir le mot suivant. Personne ne lui a écrit les règles de grammaire. Des consignes et des filtres écrits par des humains sont ensuite ajoutés autour, ce que verra la séance 14.
Le lynx, c’est un chat ou pas ?
Cela dépend de ce qu’on appelle un chat : c’est un félin, mais pas un chat domestique. C’est exactement la difficulté des exemples : avant d’apprendre, il faut décider de la bonne réponse pour chacun, et ce choix est humain. La séance 4 y revient.