Avant d'exécuter la moindre tâche, un modèle d'intelligence artificielle doit être entraîné sur des données. Il existe deux grandes familles d'apprentissage automatique (machine learning) qui se distinguent par la nature de ces données.
Apprentissage supervisé : les données d'entraînement sont déjà étiquetées (annotées) par des humains — chaque exemple est associé à la bonne réponse attendue. Le modèle apprend en comparant ses prédictions à ces réponses connues, puis en corrigeant progressivement ses erreurs.
Apprentissage non supervisé : les données ne sont pas étiquetées. Le modèle n'a aucune réponse attendue à imiter : il doit lui-même découvrir des structures, des regroupements ou des régularités cachées dans les données.
| Critère | Apprentissage supervisé | Apprentissage non supervisé |
|---|---|---|
| Données | Étiquetées (avec la bonne réponse fournie) | Non étiquetées (données brutes) |
| Objectif du modèle | Prédire une catégorie ou une valeur déjà connue par avance | Découvrir des regroupements ou motifs inconnus |
| Exemple | Filtre anti-spam entraîné sur des emails déjà marqués « spam » / « non spam » | Regroupement automatique de clients d'un site marchand selon leurs habitudes d'achat |
| Autre exemple | Reconnaissance de chiffres manuscrits (chaque chiffre déjà identifié par un humain) | Détection de familles de gènes similaires en biologie, sans catégorie prédéfinie |
D'autres approches existent (apprentissage semi-supervisé, apprentissage par renforcement), mais retiens avant tout cette distinction fondamentale : la présence ou non d'une étiquette dans les données de départ.
Un algorithme de classification est un algorithme d'apprentissage supervisé dont la tâche consiste à ranger une donnée d'entrée dans une catégorie prédéfinie, parmi un ensemble fini de catégories possibles.
Concrètement, on fournit au modèle un exemple — un email, une image, un son, une mesure — et il doit répondre en désignant la classe qui lui correspond le mieux, parmi celles qu'on lui a apprises pendant l'entraînement.
Des outils no-code (sans écriture de code) comme Teachable Machine de Google permettent à quiconque d'entraîner un modèle de classification en quelques minutes, via une simple interface graphique.
Ce type d'outil montre bien que l'apprentissage automatique repose avant tout sur la qualité et la quantité des exemples fournis, bien plus que sur une quelconque écriture de code complexe.
Un biais algorithmique apparaît lorsqu'un modèle d'IA reproduit, voire amplifie, des préjugés ou des déséquilibres déjà présents dans ses données d'entraînement. Le modèle n'est ni « raciste » ni « sexiste » en soi : il reflète fidèlement les régularités statistiques des données qu'on lui a fait apprendre, y compris lorsque ces régularités sont injustes ou discriminatoires.
Corriger un biais algorithmique suppose de diversifier les données d'entraînement, de tester le modèle sur des sous-groupes variés, et de garder un regard critique permanent sur ses résultats.
Avant d'utiliser ou de faire confiance à un modèle d'IA, il est indispensable de savoir examiner le jeu de données (dataset) qui a servi à l'entraîner.
Un jeu de données de mauvaise qualité produit presque toujours un modèle de mauvaise qualité, quelle que soit la sophistication de l'algorithme employé.
L'intelligence artificielle transforme de nombreux secteurs d'activité, avec des usages très concrets déjà déployés.
| Secteur | Exemple d'usage de l'IA |
|---|---|
| Santé | Aide au diagnostic médical : analyse d'images (radiographies, scanners, IRM) pour repérer des anomalies et assister le médecin dans sa décision finale. |
| Transport | Véhicules autonomes : combinaison de capteurs (caméras, radars, lidars) et d'algorithmes de classification pour détecter piétons, véhicules et panneaux de signalisation. |
| Éducation | Tuteurs intelligents personnalisés : adaptation du rythme et du contenu des exercices proposés à chaque élève selon ses réussites et ses difficultés observées. |
Dans chaque cas, l'IA ne remplace pas totalement l'humain : elle l'assiste en traitant rapidement de grandes quantités de données, la décision finale restant le plus souvent supervisée par un professionnel responsable.
La multiplication des générateurs d'images, de textes et de musiques par IA soulève des questions juridiques et éthiques encore en pleine évolution.
Ces enjeux juridiques ne sont pas encore tranchés partout dans le monde : les législations évoluent rapidement d'un pays à l'autre. Il convient donc de rester informé et critique face à l'utilisation de contenus générés par IA, notamment dans un cadre scolaire ou professionnel.
Pour chacune des situations suivantes, indique s'il s'agit d'un exemple d'apprentissage supervisé ou non supervisé, en justifiant en une phrase.
Une application mobile de reconnaissance de plantes fonctionne ainsi : l'utilisateur photographie une feuille, et l'application indique en retour un nom d'espèce parmi une liste de 400 espèces connues de l'application.
Une équipe souhaite entraîner un modèle de reconnaissance vocale destiné à comprendre des commandes orales en français. Le jeu de données d'entraînement est constitué de 50 000 enregistrements audio, dont 46 000 proviennent de locuteurs adultes de la région parisienne, 3 000 de locuteurs adultes d'Afrique francophone, et 1 000 d'enfants de moins de 12 ans.
Un générateur d'images par IA propose de créer, en quelques secondes, une illustration « dans le style » d'un dessinateur de bande dessinée célèbre, à partir d'une simple description textuelle. Ce générateur a été entraîné sur des millions d'images trouvées sur Internet, y compris des œuvres protégées par le droit d'auteur, sans que leurs auteurs en aient été informés.
Rédige une courte analyse argumentée (8 à 12 lignes) répondant à la question suivante : ce type de générateur pose-t-il un problème de propriété intellectuelle, et pour qui ? Tu dois t'appuyer sur au moins deux enjeux distincts vus dans le cours (entraînement du modèle, statut de l'œuvre générée).
Oui, ce type de générateur pose au moins deux problèmes distincts de propriété intellectuelle. Le premier concerne les données d'entraînement : le modèle a appris son « style » en analysant des œuvres protégées par le droit d'auteur, collectées sans l'accord des dessinateurs concernés. Ceux-ci n'ont ni été consultés, ni rémunérés, alors que leur travail sert directement à produire de nouvelles images qui imitent leur patrimoine artistique. Le second problème concerne le statut de l'image générée : peut-on parler de contrefaçon si l'image produite ressemble fortement au style d'un auteur vivant ? Et à qui appartiendrait cette nouvelle image — à l'utilisateur qui a rédigé la description, ou à l'entreprise qui exploite le modèle ? Le droit d'auteur repose traditionnellement sur une création humaine originale, ce qui rend la réponse incertaine. Ce cas illustre bien que la loi n'a pas encore rattrapé la rapidité des progrès techniques : il revient donc à chacun de rester vigilant et critique avant d'utiliser ou de diffuser ce type de contenu.
10 questions · Correction immédiate
Que caractérise un apprentissage supervisé ?
Un modèle regroupe des clients en fonction de leurs habitudes d'achat, sans qu'aucune catégorie n'ait été définie au départ. De quel type d'apprentissage s'agit-il ?
Qu'est-ce qu'un algorithme de classification ?
Lequel de ces exemples illustre le mieux un algorithme de classification ?
Que permet un outil no-code comme Teachable Machine ?
Dans la méthode d'entraînement avec un outil no-code, que faut-il faire avant d'entraîner le modèle ?
Qu'est-ce qu'un biais algorithmique ?
Un jeu de données destiné à reconnaître des visages contient 95 % de photos d'un seul groupe démographique. Quelle conséquence est la plus probable ?
Parmi ces critères, lequel n'aide PAS à analyser la qualité d'un jeu de données ?
Quel enjeu de propriété intellectuelle est directement lié aux contenus générés par IA ?
