Programmer ou faire apprendre

Dans le module précédent, on a dit qu'une IA apprend à partir d'exemples. Mais apprendre, pour une machine, qu'est-ce que ça veut dire concrètement ? Elle n'a pas de cerveau, et elle ne va pas à l'école. Dans cette leçon, on répond à cette question avec des images simples et sans aucune formule. Tu vas comparer deux façons de faire travailler un ordinateur : lui écrire des règles, ou le faire apprendre. Tu connaîtras ensuite les trois ingrédients de tout apprentissage automatique. Et tu sauras ce que les spécialistes appellent un modèle.

Pendant longtemps, on programmait les ordinateurs règle par règle. Prenons un exemple que tu connais : les SMS d'arnaque. Pour les filtrer, un programmeur écrivait des règles du type : si le message contient « tu as gagné », alors c'est une arnaque. Cette méthode marche bien pour des cas simples et stables, comme calculer une facture. Mais les escrocs s'adaptent vite. Dès qu'ils écrivaient « tu es sélectionné » au lieu de « tu as gagné », ou qu'ils glissaient une faute exprès, le filtre ne voyait plus rien. Il fallait sans cesse ajouter de nouvelles règles, et on avait toujours un temps de retard.

L'apprentissage automatique prend le problème à l'envers. Au lieu d'écrire les règles, on donne à la machine des milliers d'exemples déjà classés : ceci est une arnaque, ceci est un message normal. La machine cherche elle-même les indices qui séparent les deux groupes. Elle peut repérer des choses que personne n'aurait pensé à écrire : la longueur du message, certaines tournures, la présence d'un lien, l'heure d'envoi. Ensuite, elle sait reconnaître des messages qu'elle n'a jamais vus. C'est cela, l'apprentissage automatique, qu'on appelle machine learning en anglais. Et quand les escrocs changent de mots, on peut la réentraîner avec de nouveaux exemples.

Une image peut t'aider. Pense à un apprenti dans une boutique de tissus au grand marché de Lomé. Personne ne lui donne une règle écrite pour reconnaître un bon tissu. Pendant des mois, il en touche des centaines, et son patron lui dit « bon » ou « pas bon ». Un jour, il juge seul, très vite, même un tissu qu'il n'a jamais vu. Mais si tu lui demandes pourquoi, il a du mal à tout expliquer. L'IA apprend un peu de la même façon, par l'expérience. Et comme l'apprenti, elle donne souvent une réponse sans pouvoir dire exactement comment elle y est arrivée. C'est une vraie difficulté de l'IA moderne.

Tout apprentissage automatique repose sur trois ingrédients. D'abord, des données : beaucoup d'exemples, si possible variés et bien classés. Ensuite, un modèle : c'est la structure qui va apprendre, un peu comme un tableau rempli de réglages qu'on peut tourner. Enfin, un entraînement : c'est l'étape où l'on ajuste le modèle pour qu'il fasse de moins en moins d'erreurs. Sans données, rien ne s'apprend. Sans modèle, il n'y a rien pour apprendre. Sans entraînement, le modèle reste vide. Retiens ces trois mots : données, modèle, entraînement. Ils reviennent dans tous les articles sur l'IA, et tu les comprendras désormais.

Comment se passe l'entraînement ? C'est une boucle qui se répète. Le modèle fait une prédiction sur un exemple, par exemple : ce message est normal. On compare sa réponse à la bonne réponse, qui était : c'est une arnaque. On mesure l'erreur, puis on corrige un tout petit peu ses réglages internes dans la bonne direction. Et on recommence avec l'exemple suivant, des millions de fois. Au début, le modèle répond presque au hasard. Après des millions de petites corrections, il se trompe beaucoup moins. Ce travail demande énormément de calcul, surtout pour les grands modèles. C'est pour cela qu'il faut d'immenses centres de données.

Une idée fausse est très répandue : le modèle garderait une copie de chaque exemple, rangée comme dans une armoire, et irait chercher la bonne fiche quand tu lui poses une question. Ce n'est pas ainsi qu'il fonctionne. Après l'entraînement, il garde surtout des réglages, qu'on appelle des paramètres. Quand tu lui poses une question, il reconstruit une réponse à partir de ces paramètres, un peu comme ta mémoire reconstruit un souvenir. Parfois la reconstruction est juste. Parfois elle mélange des choses ou invente un détail. C'est pour cela qu'un modèle peut se tromper sur un fait précis, comme une date ou un nom.

Faisons le point. Il y a deux façons de faire travailler un ordinateur : écrire des règles à la main, ou le faire apprendre à partir d'exemples. L'apprentissage automatique repose sur trois ingrédients : des données, un modèle et un entraînement. L'entraînement corrige les erreurs petit à petit, des millions de fois. Et le modèle garde des paramètres, pas une copie de tout ce qu'il a vu. Tu sais maintenant ce que veut dire apprendre pour une machine. Dans la leçon suivante, on voit les trois grandes façons de faire apprendre une IA, avec des exemples tirés de la vie de tous les jours.