Terminale · Enseignement scientifique

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.

Aperçu gratuit
Illustration de la fiche « Données, modèle, biais : comprendre comment une machine apprend »

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.

Première page de l’Essentiel : Données, modèle, biais : comprendre comment une machine apprend
Ketty