Technologie · 5ème · Intelligence Artificielle : Premiers pas · 3e Trimestre

Apprentissage automatique : Les bases

Introduction au concept d'apprentissage automatique à travers des exemples simples.

• Programmes Officiels
• MEN: Cycle 4 - Traitement de donnees
• MEN: Cycle 4 - Notions d'algorithmique et de programmation

À propos de ce thème

L'apprentissage automatique (machine learning) constitue l'une des branches les plus actives de l'intelligence artificielle. Plutôt que de suivre des instructions figées, un programme d'apprentissage automatique ajuste son comportement en analysant de grandes quantités de données : il repère des régularités, construit un modèle interne, puis utilise ce modèle pour faire des prédictions sur des données nouvelles.

Dans le cadre du cycle 4, les élèves de 5e abordent ce sujet en lien direct avec le traitement de données et les bases de l'algorithmique. Les programmes de l'Éducation nationale insistent sur la capacité à identifier comment un algorithme transforme des données d'entrée en résultats exploitables. L'apprentissage automatique offre un terrain concret pour observer ce processus : tri de photos, filtrage de courriels, recommandation musicale.

Les approches actives (manipulation de jeux de données réduits, classement collaboratif, création de mini-modèles sans code) permettent aux élèves de comprendre par la pratique comment une machine 'apprend', bien mieux qu'un cours magistral ne pourrait le faire.

Questions clés

1. Comment une machine peut-elle apprendre sans être explicitement programmée ?
2. Analysez le rôle des données dans l'apprentissage automatique d'une IA.
3. Concevez un scénario simple où l'apprentissage automatique pourrait être utile.

Objectifs d'apprentissage

• Expliquer comment un algorithme d'apprentissage automatique utilise des données pour faire des prédictions.
• Identifier les données nécessaires à l'entraînement d'un modèle simple d'apprentissage automatique.
• Comparer le fonctionnement d'un programme traditionnel et d'un programme d'apprentissage automatique.
• Concevoir un scénario simple où l'apprentissage automatique pourrait résoudre un problème concret.

Avant de commencer

Les bases du traitement de données

Pourquoi : Les élèves doivent être capables de comprendre ce qu'est un ensemble de données et comment il peut être organisé avant d'aborder son utilisation dans l'apprentissage.

Introduction aux algorithmes

Pourquoi : Comprendre qu'un algorithme est une suite d'instructions est essentiel pour saisir la différence avec un système qui apprend et s'adapte.

Vocabulaire clé

Apprentissage automatique	Technique d'intelligence artificielle où un programme apprend à partir de données sans être explicitement programmé pour chaque tâche.
Données d'entraînement	Ensemble d'exemples utilisés pour apprendre à un modèle d'apprentissage automatique à reconnaître des motifs ou à faire des prédictions.
Modèle	Représentation mathématique créée par l'algorithme d'apprentissage automatique après avoir analysé les données d'entraînement.
Prédiction	Résultat généré par le modèle d'apprentissage automatique lorsqu'il est confronté à de nouvelles données qu'il n'a jamais vues auparavant.

Attention à ces idées reçues

Idée reçue courante

La machine comprend ce qu'elle apprend, comme un humain.

Ce qu'il faut enseigner à la place

Un modèle d'apprentissage automatique détecte des corrélations statistiques dans les données, sans compréhension ni conscience. En manipulant eux-mêmes un classificateur simple, les élèves constatent que le système se trompe dès que les données sortent du cadre d'entraînement, ce qui rend cette limite très visible.

Idée reçue courante

Plus on a de données, meilleur sera forcément le modèle.

Ce qu'il faut enseigner à la place

La qualité des données compte autant que la quantité. Des données biaisées, mal étiquetées ou non représentatives produisent un modèle peu fiable. L'atelier Teachable Machine le montre concrètement : un jeu de données déséquilibré donne des prédictions bancales.

Idée reçue courante

L'apprentissage automatique remplacera bientôt tous les programmeurs.

Ce qu'il faut enseigner à la place

L'apprentissage automatique est un outil créé, paramétré et évalué par des humains. Il ne fonctionne que sur des tâches précises pour lesquelles on dispose de données suffisantes. Les activités de groupe où les élèves doivent choisir les données, ajuster les paramètres et interpréter les résultats montrent que l'intervention humaine reste indispensable.

Idées d'apprentissage actif

Penser-Partager-Présenter: Trier pour apprendre

Chaque élève reçoit 10 images d'animaux à classer en deux catégories (chat/chien). En binôme, ils comparent leurs critères de tri, puis partagent avec la classe. L'enseignant fait le parallèle : la machine procède de la même façon avec des milliers d'exemples.

20 min·Binômes

Atelier pratique : Entraîner un modèle avec Teachable Machine

Par petits groupes, les élèves utilisent Teachable Machine (Google) pour entraîner un classificateur d'images via la webcam. Ils testent avec différentes quantités de données et observent comment la précision évolue. Chaque groupe présente ses résultats et les compare.

35 min·Petits groupes

Jeu de rôle: L'algorithme humain

Un élève joue le rôle de l'algorithme. Les autres lui présentent des exemples étiquetés (fruit/légume). Après chaque série de 5 exemples, l'algorithme-humain tente de classer un nouvel élément. La classe observe comment la performance s'améliore avec plus de données d'entraînement.

25 min·Classe entière

Galerie marchande: Apprentissage automatique autour de nous

Les élèves créent des affiches illustrant un exemple d'apprentissage automatique dans leur quotidien (correcteur orthographique, reconnaissance faciale, playlist automatique). Chaque groupe circule, lit les affiches et laisse un commentaire ou une question sur un post-it.

30 min·Petits groupes

Liens avec le monde réel

• Les développeurs de plateformes comme YouTube utilisent l'apprentissage automatique pour recommander des vidéos aux utilisateurs en analysant leur historique de visionnage et celui d'utilisateurs similaires.
• Les ingénieurs chez Google utilisent des algorithmes d'apprentissage automatique pour améliorer la traduction automatique, en entraînant des modèles sur des millions de paires de phrases dans différentes langues.
• Les entreprises de cybersécurité emploient l'apprentissage automatique pour détecter les courriels de spam ou les activités suspectes en identifiant des schémas anormaux dans les flux de données.

Idées d'évaluation

Billet de sortie

Distribuez une fiche avec deux colonnes : 'Programme traditionnel' et 'Apprentissage automatique'. Demandez aux élèves d'écrire une caractéristique clé pour chaque colonne, puis de donner un exemple concret d'application pour l'apprentissage automatique.

Question de discussion

Posez la question : 'Imaginez que vous voulez apprendre à une machine à reconnaître des chats sur des photos. Quelles sortes de données d'entraînement faudrait-il lui montrer et pourquoi ?' Encouragez les élèves à échanger leurs idées en petits groupes avant une discussion collective.

Vérification rapide

Présentez une courte liste de tâches (ex: trier des objets par couleur, jouer aux échecs, prédire la météo). Demandez aux élèves d'indiquer pour chaque tâche si elle serait plus facilement réalisable avec un programme traditionnel ou avec l'apprentissage automatique, et d'expliquer brièvement leur choix.

Questions fréquentes

Quelle est la différence entre intelligence artificielle et apprentissage automatique ?

L'intelligence artificielle est le domaine général qui vise à reproduire des capacités cognitives humaines par des machines. L'apprentissage automatique en est une branche spécifique : la machine améliore ses performances sur une tâche en analysant des données, sans être programmée explicitement pour chaque cas. Tout apprentissage automatique est de l'IA, mais toute IA n'est pas de l'apprentissage automatique.

Comment expliquer l'apprentissage automatique à des élèves de 5e ?

Le plus efficace est de partir d'exemples concrets que les élèves utilisent déjà : le filtre anti-spam, les suggestions YouTube, la reconnaissance de visages sur un téléphone. Ensuite, un atelier pratique avec Teachable Machine ou un jeu de tri collaboratif leur permet de voir le processus en action, sans code complexe.

Quels outils gratuits utiliser pour enseigner l'apprentissage automatique au collège ?

Teachable Machine de Google permet de créer des classificateurs d'images ou de sons sans code. Machine Learning for Kids propose des projets guidés en Scratch. Quick, Draw! de Google illustre la reconnaissance de dessins. Ces trois outils sont gratuits, fonctionnent dans un navigateur et ne nécessitent pas de compte élève.

Pourquoi utiliser des activités collaboratives pour enseigner l'apprentissage automatique ?

Les activités collaboratives rendent visibles les étapes invisibles de l'apprentissage automatique. Quand un groupe débat de la catégorisation d'un exemple ambigu, il vit exactement le problème que rencontre un algorithme face à des données floues. Ce vécu partagé ancre les concepts bien plus solidement qu'une explication théorique.