Données, modèle, biais : comprendre comment une machine apprend
Expliquer, sur un exemple d'apprentissage supervisé, le rôle des données d'entraînement et du modèle, puis repérer l'origine d'un biais et ses conséquences.

Les points essentiels
- Un algorithme est une suite finie d'instructions précises. Un algorithme d'apprentissage automatique ne reçoit pas la règle de décision toute faite : il la construit à partir d'exemples.
- Les données d'entraînement sont un ensemble d'exemples. En apprentissage supervisé, chaque exemple est associé à une réponse attendue appelée étiquette (par exemple « chat » ou « pas chat »).
Les mots à connaître
- Apprentissage supervisé
- Méthode où l'algorithme apprend à partir d'exemples dont la réponse correcte (étiquette) est connue, afin de prédire la réponse sur de nouveaux exemples.
- Modèle
- Fonction mathématique à paramètres, ajustés lors de l'entraînement, qui associe à une donnée d'entrée une prédiction (classe ou valeur).
Un exemple pour comprendre
Un lycée entraîne un modèle à reconnaître des fruits (pomme, banane, orange) à partir de 3 000 photos étiquetées. Décrire le rôle des données et du modèle, puis expliquer ce qui se passe quand on présente une nouvelle photo.
Les 3 000 photos étiquetées sont les données d'entraînement : chaque image (entrée) est associée à son fruit (étiquette). Pendant l'entraînement, l'algorithme ajuste les paramètres d'une fonction pour que ses réponses se rapprochent des étiquettes : cette fonction ajustée est le modèle. Face à une nouvelle photo, on est en phase d'utilisation : les paramètres ne changent plus, le modèle calcule une prédiction, par exemple « banane ». Pour savoir s'il généralise, on le teste sur des photos absentes de l'entraînement.

