Apprentissage automatique : Les bases

L'apprentissage automatique repose sur des concepts abstraits comme les corrélations statistiques et la modélisation, ce qui demande aux élèves de passer du concret à l'abstrait. Ces activités actives les aident à vivre ces processus par l'expérience directe, ce qui renforce leur compréhension bien au-delà d'une simple explication théorique.

• 5ème
• Exploration Numérique et Domotique : Le Monde Connecté
• 4 activités
• 20 min–35 min

Objectifs d’apprentissage

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

Penser-Partager-Présenter

⏱ 20 min·Binômes

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.

Préparation et détails

Comment une machine peut-elle apprendre sans être explicitement programmée ?

Conseil de facilitation: Pour le Think-Pair-Share, insistez pour que chaque élève commence seul par un exemple personnel avant de partager en binôme, afin de favoriser la réflexion individuelle.

Setup: Disposition de classe standard ; les élèves se tournent vers leur voisin

Materials: Consigne de discussion (projetée ou distribuée), Optionnel : fiche de prise de notes pour les binômes

• Comprendre
• Appliquer
• Analyser
• Conscience de soi
• Compétences relationnelles

Jeu de simulation

⏱ 35 min·Petits groupes

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.

Préparation et détails

Analysez le rôle des données dans l'apprentissage automatique d'une IA.

Conseil de facilitation: Lors de l'atelier Teachable Machine, circulez entre les groupes pour souligner que les erreurs du modèle proviennent souvent des données, pas d'un défaut de la machine.

Setup: Espace modulable avec différents îlots de travail

Materials: Fiches de rôle avec objectifs et ressources, Monnaie fictive ou jetons de jeu, Tableau de suivi des tours

• Appliquer
• Analyser
• Évaluer
• Créer
• Conscience sociale
• Prise de décision

Jeu de rôle

⏱ 25 min·Classe entière

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.

Préparation et détails

Concevez un scénario simple où l'apprentissage automatique pourrait être utile.

Conseil de facilitation: Pendant le jeu de rôle, demandez à chaque groupe de noter les étapes où une décision humaine a évité une erreur du modèle.

Setup: Espace ouvert ou bureaux réorganisés pour la mise en scène

Materials: Fiches de personnage (contexte et objectifs), Fiche de mise en situation (scénario)

• Appliquer
• Analyser
• Évaluer
• Conscience sociale
• Conscience de soi

Galerie marchande

⏱ 30 min·Petits groupes

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.

Préparation et détails

Comment une machine peut-elle apprendre sans être explicitement programmée ?

Setup: Espace mural dégagé ou tables disposées en périphérie de la salle

Materials: Papier grand format ou panneaux d'affichage, Feutres et marqueurs, Post-it pour les retours critiques

• Comprendre
• Appliquer
• Analyser
• Créer
• Compétences relationnelles
• Conscience sociale

Enseigner ce sujet

Commencez par des activités qui ancrent l'apprentissage dans des observations tangibles, comme Teachable Machine, avant d'aborder les concepts théoriques. Évitez de donner trop d'informations théoriques d'emblée : laissez les élèves découvrir les limites des modèles par eux-mêmes. La recherche montre que cette approche constructiviste améliore la rétention des concepts complexes comme les biais dans les données.

À quoi s’attendre

Les élèves distinguent clairement les différences entre un programme traditionnel et un modèle d'apprentissage automatique, identifient les limites de ce dernier et comprennent le rôle crucial des données et de l'intervention humaine. Ils savent expliquer ces concepts avec des exemples concrets tirés des activités réalisées.

Attention à ces idées reçues

Idée reçue courante

Pendant le jeu de rôle 'L'algorithme humain', certains élèves pourraient croire que la machine comprend ce qu'elle apprend, comme un humain.

Ce qu'il faut enseigner à la place

Lors de ce jeu de rôle, observez si les élèves attribuent une 'intention' ou une 'compréhension' à la machine. Après l'activité, revenez sur les erreurs commises par le modèle humain : celles-ci révèlent que le système ne fait que suivre des règles statistiques, sans conscience ni intention, ce qui rend cette limite très visible.

Idée reçue courante

Pendant l'atelier pratique 'Entraîner un modèle avec Teachable Machine', des élèves pourraient penser que plus de données garantissent toujours un meilleur modèle.

Ce qu'il faut enseigner à la place

Pendant l'atelier, guidez les élèves pour qu'ils testent délibérément un jeu de données déséquilibré ou mal étiqueté. Observez leurs réactions lorsque le modèle échoue : utilisez ces moments pour souligner que la qualité des données est aussi cruciale que leur quantité.

Idée reçue courante

Après le jeu de rôle 'L'algorithme humain', certains élèves pourraient croire que l'apprentissage automatique remplacera bientôt tous les programmeurs.

Ce qu'il faut enseigner à la place

Pendant le débriefing du jeu de rôle, demandez aux élèves d'identifier les étapes où leur intervention humaine a été décisive pour corriger les erreurs du modèle. Utilisez ces exemples concrets pour montrer que l'apprentissage automatique reste un outil créé, paramétré et évalué par des humains.

Idées d'évaluation

Billet de sortie

Après le Think-Pair-Share 'Trier pour apprendre', 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

Pendant le Think-Pair-Share 'Trier pour apprendre', 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

Après l'atelier pratique 'Entraîner un modèle avec Teachable Machine', 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.

Extensions et étayage

• Challenge : Demandez aux élèves d'entraîner un modèle pour distinguer trois catégories d'objets (ex: fruits, outils, vêtements) avec un jeu de données très déséquilibré, puis de proposer une solution pour améliorer les résultats.
• Scaffolding : Fournissez un tableau de classification simplifié avec des exemples étiquetés pour les élèves qui peinent à structurer leurs données d'entraînement.
• Deeper exploration : Proposez une recherche sur les biais historiques dans les jeux de données d'apprentissage automatique et leur impact sur les applications réelles (ex: reconnaissance faciale).

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.