Une devinettePour commencerCas d'ouverture
Réfléchis une secondeEssaie de répondrePosez votre intuition
Si tu montres à un copain une seule pomme rouge, que dira-t-il devant une pomme verte ?
Pense à ta réponse, même si tu n'es pas sûr. La suite te dira si tu avais vu juste.
Un filtre de selfie marche mal sur certaines peaux ou certaines coiffures. Bug du code, ou autre chose ?
Prends dix secondes pour répondre dans ta tête. Tu compareras avec la suite.
Votre assistant interne répond à côté sur les congés. Avant d'accuser le modèle, où iriez-vous regarder ?
Formulez d'abord votre réponse, même approximative : la comparer à la suite fixe bien mieux les acquis.
Regarde ça bougerVois-le en actionLe concept en mouvement
Vois la qualité des données changer le résultat
Collecte, tri, apprentissage, résultat : suis les données se transformer. Change leur qualité pour voir, en direct, l'effet sur la réponse finale.
On rassemble plein d'exemples. C'est la « nourriture » du modèle.
C'est comme apprendre les animaux : si tu vois un seul chien, tu crois que tous les chiens lui ressemblent.
Les exemples qu'on donne à une IA, c'est comme ta playlist : si elle ne contient qu'un seul style, l'algo te croit fan que de ça.
Les données, c'est le frigo du chef : si les ingrédients sont pauvres ou abîmés, le plat final le sera aussi.
Comment ça marcheComment ça marcheLa mécanique
Une étape à la foisLe mécanisme, étape par étapeLe mécanisme, étape par étape
Le robot apprend en regardant plein d'exemples
Tu montres plein, plein d'images à la machine avant.
Elle regarde ce qui revient souvent dans les images.
Si tu lui montres toujours pareil, elle se trompe après.
Plus tu montres des choses différentes, mieux elle devine.
Une IA, c'est ce qu'elle a vu en bouffe
Tu montres à la machine plein d'exemples : des photos, des textes, des sons, des vidéos.
Elle observe ce qui revient souvent dans ces exemples pour repérer des liens.
Si tes exemples sont déséquilibrés (toujours le même genre), elle se trompe sur le reste.
Mieux les exemples sont variés et récents, mieux elle s'en sort dans la vraie vie.
Vos données décident de la qualité, avant le modèle
On montre au modèle des exemples : textes, images, sons, vidéos ou tableaux.
Il apprend à repérer des corrélations à partir de ces exemples.
Des données déséquilibrées créent souvent des angles morts et des biais.
La diversité, la fraîcheur et la qualité des données pèsent plus que le simple volume.
Des exemples pour toiDes exemples concretsExemples concrets
Tu l'as déjà croiséOù tu le retrouvesOù vous le retrouvez en situation
Un exemple pour toi
Imagine que tu apprends à un copain ce qu'est un chien, mais tu lui montres seulement ton petit chien blanc. Après, il voit un gros chien noir et il dit « ce n'est pas un chien ! ». Il s'est trompé parce qu'il n'a pas vu assez de chiens. La machine, c'est pareil : elle a besoin de voir plein d'exemples pour ne pas se tromper.
Pour qu'elle connaisse les chats, tu lui montres des chats de plein de couleurs, gros et petits.
Si tu lui montres juste une pomme rouge, elle croit qu'une pomme verte n'est pas une pomme.
Comme pour le coloriage : si tu vois beaucoup de dessins de chiens, tu sais mieux dessiner un chien.
Cas concret
Un filtre de selfie qui marche mal sur certaines peaux ou certaines coiffures, c'est presque toujours un problème de données : pendant qu'elle apprenait, elle n'a pas vu assez d'exemples variés. Pareil pour une IA qui génère de la musique : elle ne ressort que des styles qu'elle a beaucoup entendus.
Une appli qui reconnaît tes photos a vu des millions d'images légendées pour distinguer un chat d'un chien.
Le correcteur auto de ton clavier a appris sur des tonnes de textes quelles suites de mots reviennent le plus.
Un filtre de modération sur un réseau a besoin d'exemples variés de messages, sinon il rate les cas qu'il n'a jamais vus.
Cas concret
Vous montez un assistant interne pour répondre aux questions de vos collègues. S'il s'appuie sur des procédures à jour, bien rangées et complètes, il répond juste. S'il pioche dans de vieux fichiers contradictoires, il invente des règles qui n'existent plus. Le moteur est le même : c'est la qualité des documents fournis qui fait la différence.
Un modèle d'image apprend à distinguer des objets en observant énormément d'images, légendées ou non.
Un modèle de langage apprend sur des textes en observant quelles suites de mots sont fréquentes ou plausibles.
Un assistant d'entreprise a besoin de documents internes bien préparés pour répondre correctement.
Attention aux piègesÀ éviterÀ éviter
Ce qu'on croit, et ce qui est vraiIdées reçues et pièges à éviterIdées reçues et risques à anticiper
-
On croit que
On croit qu'il faut juste montrer beaucoup, beaucoup d'images.
En vrai
En vrai, des images toutes pareilles ne servent à rien. Il faut des images différentes.
-
On croit que
On croit que la machine a toujours raison.
En vrai
En vrai, si tu lui as montré que des chats noirs, elle se trompe avec un chat blanc.
Les pièges à retenir
- Montrer beaucoup d'images ne suffit pas : il faut qu'elles soient différentes.
- Si elle n'a jamais vu une chose, elle ne la reconnaît pas.
- Avec de vieilles images, elle ne connaît pas les choses nouvelles.
-
On croit que
« Plus il y a de données, mieux c'est. »
En réalité
Faux. Des exemples mal choisis ou déséquilibrés peuvent rendre l'IA moins bonne, même en énorme quantité.
-
On croit que
« Une IA est neutre puisqu'elle calcule. »
En réalité
Non. Elle reflète les déséquilibres de ses exemples : si les données penchent d'un côté, ses réponses aussi.
-
On croit que
« Les données, c'est juste un détail technique. »
En réalité
Au contraire : la qualité des exemples décide en grande partie de la qualité de l'IA.
Les pièges à retenir
- Donner plus d'exemples ne garantit pas une meilleure qualité.
- Des données confidentielles ou mal triées peuvent créer de vrais problèmes.
- Des exemples anciens rendent vite un système dépassé.
-
Idée reçue
« Plus on donne de données, mieux c'est. »
Réalité
Faux. Des données mal choisies ou déséquilibrées peuvent dégrader le modèle, même en très grande quantité.
-
Idée reçue
« Une IA est neutre puisqu'elle calcule. »
Réalité
Non. Elle reflète les biais de ses données : si les exemples sont déséquilibrés, ses réponses le seront aussi.
-
Idée reçue
« Les données, c'est juste un détail technique. »
Réalité
C'est l'inverse : la qualité des données décide en grande partie de la qualité du système final.
Points de vigilance
- Plus de données ne veut pas toujours dire meilleure qualité.
- Des données confidentielles ou mal triées peuvent créer des risques graves.
- Des données anciennes peuvent rendre un système obsolète très vite.
Ce que je retiensÀ retenirÀ retenir
L'essentiel, en quatre idéesL'essentiel, en quatre idéesL'essentiel, en quatre points
La phrase à garder
La machine devine bien seulement si tu lui montres beaucoup d'exemples différents.
- Un exemple, c'est une image Tu montres des photos ou des dessins à la machine pour qu'elle apprenne.
- Montre plein de choses Pas qu'une seule. Des gros, des petits, de toutes les couleurs.
- Si elle voit peu, elle se trompe Ce qu'elle n'a jamais vu, elle ne le reconnaît pas.
- Les vieux exemples, c'est dépassé Il faut lui montrer des choses d'aujourd'hui aussi.
La phrase à garder
La qualité de ce que tu montres à une IA compte plus que la quantité.
- Une donnée = un exemple Texte, image, son, vidéo : c'est ce que l'IA observe pour apprendre.
- Qualité avant quantité Des exemples variés et propres valent mieux qu'une montagne de données pauvres.
- Données déséquilibrées = angles morts Ce que l'IA n'a jamais vu, elle le rate ou l'invente.
- Données vieilles = dépassé Sans mise à jour, un système ne connaît pas l'actu récente.
Message clé
La qualité d'un système IA dépend d'abord de la qualité de ce qu'on lui donne à voir.
- Les données = les exemples Le modèle apprend uniquement à partir de ce qu'on lui montre.
- La qualité avant la quantité De bons exemples variés valent mieux qu'une montagne d'exemples pauvres.
- Données biaisées = angles morts Ce que le modèle n'a jamais vu, il le rate ou l'invente.
- Données vieilles = système dépassé Sans mise à jour, un système devient vite obsolète.
Je m'entraîneJe valideÉvaluation
Je teste ce que j'ai comprisJe teste ce que j'ai comprisValidez vos acquis
Valider : Les données, la nourriture des modèles
4 questions. Il faut 70 % de bonnes réponses pour maîtriser la fiche. Tu as le droit de te tromper et de réessayer.
Pour les curieuxPour aller plus loinPour aller plus loin
Si tu veux en savoir plusCreuser le sujetApprofondir et poursuivre
Les questions que tu te poses peut-être
- Est-ce que la machine est plus intelligente que moi ?
- Non. Toi tu apprends en vivant, en jouant, en touchant les choses. Elle, elle a seulement regardé plein d'images. Toi, tu comprends bien plus de choses qu'elle !
- Est-ce qu'elle peut se tromper ?
- Oui, souvent ! Si on ne lui a pas montré assez d'exemples, elle dit des bêtises. Comme un copain qui devine une réponse qu'il ne connaît pas vraiment.
- Est-ce qu'elle voit mes dessins ?
- Seulement si quelqu'un les lui montre. Toute seule, elle ne voit rien du tout. Elle attend qu'on lui apporte des exemples, comme on apporte des images à regarder.
Questions fréquentes
- C'est quoi une donnée pour une IA ?
- Un exemple du monde qu'on lui montre pour apprendre : un texte, une image, un son, une vidéo ou un tableau.
- Pourquoi la qualité des données est-elle si importante ?
- Parce que le modèle apprend ce qu'il voit. Des exemples pauvres, vieux ou déséquilibrés lui font apprendre de mauvaises habitudes.
- Plus de données, est-ce toujours mieux ?
- Non. Au-delà d'un certain point, c'est la diversité et la qualité qui comptent, pas seulement la quantité.
- C'est quoi un biais dans les données ?
- Un déséquilibre : si une catégorie est sur-représentée ou absente, le modèle aura des angles morts et des erreurs systématiques.
Pour continuer
-
Lis l'histoire en BD, c'est plus rigoloCette notion existe aussi en BDCette notion existe aussi en BD IA mange n'importe quoi - Fiche à suivre Un modèle, c'est une recette mathématique Pour voir ce que deviennent ces données une fois dans le moteur.
- Fiche à suivre Comment l'IA apprend Pour comprendre comment le modèle s'ajuste à partir de ces exemples.
- Fiche à suivre C'est quoi l'IA ? Pour revoir la base : apprendre des motifs, prédire une sortie.
SourcesSourcesSources vérifiées