Apprentissage statistique : comment distinguer un 2 d’un 7 ?

Intervenant 10:00

Bienvenue dans le podcast du magazine Tangente. Bonjour à toutes et à tous. Je suis vraiment ravie de vous retrouver pour une nouvelle plongée au cœur d'un sujet qui nous concerne tous.

Intervenant 20:08

Bonjour tout le monde. Aujourd'hui, on s'attaque à un gros morceau.

Intervenant 10:12

Un très gros morceau, oui. Notre exploration du jour s'appuie sur des travaux de recherche fascinants issus de Matadata. Et notre mission, c'est tout simplement de démystifier l'intelligence artificielle.

Intervenant 20:22

Rien que

Intervenant 10:22

ça ? Rien que ça, oui. Mais on va le faire sans tomber dans les clichés de science-fiction avec les robots qui prennent le pouvoir et tout le tralala. On va vraiment regarder sous le capot pour comprendre son moteur fondamental, à savoir l'apprentissage statistique.

Intervenant 20:34

C'est ça, le cœur du réacteur en fait. Ce qui est génial avec l'approche de nos sources, c'est qu'on revient à une réalité très concrète, très pragmatique. On va voir comment des algorithmes arrivent à transformer notre réalité physique, comme de simples images, en équations mathématiques.

Intervenant 10:50

Et tout ça pour pouvoir prendre des décisions. C'est fou quand on y pense. Et pour rendre ça super clair, on va décortiquer un exemple qui a l'air bête comme chou au premier rapport. Apprendre à une machine à faire la différence entre un chiffre 2 et un chiffre 7 écrit à la

Intervenant 21:01

main. Ça paraît hyper élémentaire. Pour nous, distinguer un 2 d'un 7, c'est automatique. Notre cerveau le fait sans aucun effort conscient. Mais pour une machine, c'est un véritable mur conceptuel. Et en fait, cet exemple contient absolument toute la complexité du problème. Avant même de parler de réseaux de neurones complexes, il faut se poser une question de base. C'est quoi « apprendre » pour un morceau de silicium et du code informatique ?

Intervenant 11:27

Bah oui, parce qu'un ordinateur, ça n'a pas de conscience. Alors, que signifie ce mot « apprendre » dans ce contexte ?

Intervenant 21:33

La définition de l'apprentissage statistique que donnent les chercheurs, elle est d'une clarté redoutable. En gros, apprendre pour une machine, c'est estimer une réponse à partir de données numériques en faisant le moins d'erreurs possible.

Intervenant 11:44

D'accord. Donc on cherche juste à minimiser

Intervenant 21:47

l'erreur. Exactement. Toute la philosophie du domaine est là-dedans. C'est très différent de la programmation classique. En programmation classique, on donnerait à la machine une liste de règles super strictes. Du genre, si tu vois une boucle en bas et une grande diagonale, alors c'est un 2.

Intervenant 12:00

Ouais, on écrirait chaque étape à la main quoi.

Intervenant 22:02

Voilà. Mais là, non. En apprentissage statistique, on fournit à la machine un algorithme vierge. Un truc vide, mais avec des paramètres qu'on peut ajuster. Et ensuite on le nourrit avec des données.

Intervenant 12:14

Donc la machine doit trouver ses propres règles par la force de l'entraînement. Si on essaie de visualiser un peu le truc, ça me fait penser aux révisions d'un étudiant avant un gros examen.

Intervenant 22:23

C'est une super analogie, ouais.

Intervenant 12:25

Imaginons cet étudiant. Il a devant lui un gros manuel avec, disons, des milliers de problèmes de maths. Et la clé, c'est qu'il a les corrigés à la fin du livre.

Intervenant 22:34

Oui, très

Intervenant 12:35

important les corrigés. Ah oui. Donc, il essaie de résoudre un problème. Ensuite, il va voir la solution. Il constate qu'il s'est planté et du coup, il ajuste sa méthode de réflexion et il recommence inlassablement jusqu'à ce que son taux d'erreur sur ce manuel précis s'approche de zéro.

Intervenant 22:49

C'est vraiment la métaphore parfaite pour comprendre les deux phases indissociables de l'apprentissage. La première phase, c'est la phase d'entraînement. C'est exactement ton étudiant avec son manuel.

Intervenant 12:57

Donc on lui donne plein d'exemples

Intervenant 22:59

connus. C'est ça. Techniquement, on fournit à l'algorithme une base de données énorme, genre des dizaines de milliers d'images de chiffres, et on lui donne la bonne réponse à chaque fois. On lui dit ça, c'est un 2. Ça, c'est un 7.

Intervenant 13:12

D'accord.

Intervenant 23:13

Le but de l'algorithme, ça va être de modifier ses rouages internes pour que la réponse qu'il sort finisse par correspondre à la réponse qu'on attend de lui. Il cherche à minimiser son erreur moyenne sur toute la base d'entraînement.

Intervenant 13:24

Mais le piège avec l'étudiant, ce serait qu'il finisse par apprendre les corrigés de son livre par cœur. S'il fait ça, au lieu de comprendre la vraie logique des maths, il aura tout bon pendant ses révisions, c'est sûr.

Intervenant 23:34

Absolument. Il aura 20 sur 20 à l'entraînement.

Intervenant 13:36

Voilà. Mais le jour de l'examen final, quand le prof va lui donner des problèmes qu'il n'a jamais vus de sa vie, la catastrophe, il va s'effondrer.

Intervenant 23:44

Pour une intelligence artificielle, c'est pareil. C'est pour ça qu'il y a la deuxième phase, la phase de test. Elle est vraiment cruciale. Une fois que la machine a fini de s'entraîner, on verrouille tous ses paramètres. On ne touche plus à rien.

Intervenant 13:55

Fini les révisions.

Intervenant 23:56

Exactement. Et là, on lui présente de nouvelles données, de nouvelles images de chiffres qu'elle n'a absolument jamais vues pendant son entraînement. C'est l'examen final.

Intervenant 14:04

Et c'est là qu'on voit si elle a vraiment appris quelque

Intervenant 24:06

chose. C'est uniquement le taux d'erreur sur ce test-là, ce test indépendant, qui permet de valider le système. C'est ça qui nous dit si l'algorithme a vraiment appris à reconnaître les formes d'un 2 ou d'un 7, ou s'il s'est juste contenté de mémoriser bêtement la base d'entraînement par cœur.

Intervenant 14:20

Donc le but ultime, c'est vraiment la généralisation.

Intervenant 24:22

C'est le mot-clé. La capacité de généralisation.

Intervenant 14:26

C'est super clair en théorie, mais il y a un truc très terre à terre qui me chiffonne. Un ordinateur, ça n'a pas d'yeux, ça n'a pas de rétine ni de cortex visuel.

Intervenant 24:34

Non, en effet.

Intervenant 14:35

Du coup, quand on lui présente un chiffre griffonné sur un bout de papier, il ne peut pas percevoir les courbes, l'épaisseur de l'encre, le contraste. Comment la machine fait-elle pour voir cette réalité physique au départ ?

Intervenant 24:47

C'est là que la magie de la numérisation opère. Pour passer du papier au monde des stats, il faut faire une traduction. Pour un ordinateur, une image, ce n'est pas une image. C'est juste un immense tableur. Une grille. Une grille de

Intervenant 14:58

nombres, tu veux dire ?