Sciences de l'ingénieur · Terminale · Chaîne d’information
Intelligence artificielle et apprentissage
Apprendre une règle par l’exemple.
En bref
Écrire à la main la règle qui distingue une pièce fissurée d’une pièce saine, pixel par pixel, est presque impossible.
Écrire à la main la règle qui distingue une pièce fissurée d’une pièce saine, pixel par pixel, est presque impossible. On peut en revanche montrer à un programme des centaines d’exemples, et le laisser trouver la règle. C’est l’apprentissage automatique.
Programmer ou faire apprendre
| Programme classique | Apprentissage automatique | |
|---|---|---|
| Ce qu’on fournit | Les règles | Des exemples |
| Ce qu’on obtient | Des réponses | Un modèle qui produit des réponses |
| Adapté quand | La règle est connue et simple | La règle est floue ou trop complexe à écrire |
Supervisé ou non
| Type | Données | Exemple de tâche |
|---|---|---|
| Supervisé | Des exemples étiquetés (la bonne réponse est connue) | Classer une pièce : conforme ou défectueuse |
| Non supervisé | Des exemples sans étiquette | Regrouper des profils d’usage qui se ressemblent |
Entraîner, puis tester
- Rassembler des données étiquetées, représentatives des cas réels.
- Les séparer : un jeu d’entraînement (par exemple 80 %) et un jeu de test (20 %) que le modèle ne verra jamais pendant l’apprentissage.
- Entraîner sur le premier, évaluer sur le second.
Un modèle évalué sur ses propres données d’entraînement se note lui-même : son score ne prouve rien.
Un algorithme simple : les k plus proches voisins
Pour classer un nouvel exemple, on cherche les k exemples connus les plus proches (selon une distance entre leurs caractéristiques) et on retient la classe majoritaire parmi eux. On choisit souvent k impair pour éviter les égalités à deux classes.
Les deux pièges
| Piège | Symptôme | Cause |
|---|---|---|
| Surapprentissage | Excellent à l’entraînement, mauvais au test | Le modèle a appris les exemples par cœur, bruit compris |
| Biais | Erreurs systématiques sur certains cas | Des données qui ne représentent pas tous les cas réels |
Évaluer : la matrice de confusion
| Prédit défectueux | Prédit conforme | |
|---|---|---|
| Réellement défectueux | Vrais positifs | Faux négatifs |
| Réellement conforme | Faux positifs | Vrais négatifs |
Exemple travaillé
Sur 100 pièces de test, un modèle donne 45 vrais positifs, 5 faux négatifs, 40 vrais négatifs et 10 faux positifs.
- Exactitude : (45 + 40) / 100 = 85 %.
- Mais 5 pièces défectueuses sont parties chez le client. Dans l’industrie, un faux négatif coûte souvent bien plus cher qu’un faux positif (une pièce saine revérifiée) : on règle le modèle en conséquence, quitte à perdre un peu d’exactitude.
Teste-toi
6 questions pour vérifier
Touche une réponse : la correction s’affiche tout de suite.
1.Que fournit-on à un algorithme d’apprentissage supervisé ?
2.Pourquoi garde-t-on un jeu de test séparé ?
3.Un modèle excellent à l’entraînement mais mauvais au test souffre de…
4.Comment l’algorithme des k plus proches voisins classe-t-il un nouvel exemple ?
5.Pourquoi choisit-on souvent k impair avec deux classes ?
6.Un biais dans les données d’entraînement peut produire des erreurs systématiques.
0 / 6 questions
Dans l’app, ce chapitre a son quiz complet, chronométré, et tes erreurs reviennent au bon moment pour ne plus les refaire.
La fiche de révision, sur une page
Tout « IA et apprentissage » sur une seule page A4 illustrée : l’essentiel, les pièges et un mini-test. Elle se débloque dans l’app avec des gemmes — et ton compte gratuit en offre assez pour tes trois premières fiches.
