Comment une IA apprend ?

Programmer n'est pas apprendre

Pour saisir ce qu'est l'apprentissage d'une machine, il faut d'abord comprendre ce qu'il n'est pas. Pendant longtemps, faire faire quelque chose à un ordinateur, c'était lui donner des règles précises, une par une. Pour reconnaître un chat, un programmeur aurait dû écrire : « s'il y a deux oreilles pointues, des moustaches, une queue… alors c'est un chat. » Le problème saute aux yeux : un chat vu de dos, roulé en boule ou dans l'ombre échappe à toutes ces règles.

L'idée révolutionnaire de l'IA moderne est différente. Plutôt que de donner à la machine les règles, on lui donne des milliers d'exemples et on la laisse trouver les règles toute seule. On ne lui explique pas ce qu'est un chat : on lui montre des dizaines de milliers de photos étiquetées « chat » ou « pas chat », et elle finit par repérer, d'elle-même, ce qui fait un chat. Cette approche s'appelle l'apprentissage automatique.

Apprendre, c'est repérer des régularités

Comment une machine peut-elle « trouver » quelque chose dans des milliers d'images ? Le mot clé est régularité. En comparant énormément d'exemples, la machine détecte des motifs qui reviennent : certaines formes, certaines textures, certaines associations de couleurs se retrouvent presque toujours sur les images étiquetées « chat ».

Un exemple qui parle : les données qui servent à entraîner une IA s'appellent les données d'entraînement. C'est un peu comme un élève à qui l'on donnerait des milliers d'exercices déjà corrigés. En les étudiant, il finit par saisir la méthode — non pas parce qu'on la lui a récitée, mais parce qu'il a vu assez de cas pour la deviner.

L'entraînement, une longue correction

Comment la machine passe-t-elle des exemples à un modèle qui fonctionne ? Par une immense série d'essais et de corrections.

Au départ, l'IA est nulle : elle répond au hasard. On lui montre un exemple, elle propose une réponse, et on compare cette réponse à la bonne. Si elle se trompe, un mécanisme ajuste très légèrement ses réglages internes pour qu'elle se rapproche, la prochaine fois, de la bonne réponse. On recommence des millions de fois.

Petit à petit, à force de corrections minuscules, la machine devient de plus en plus juste. C'est cette phase qu'on appelle l'entraînement.

On parle souvent de réseaux de neurones pour décrire la structure interne de ces IA. Le nom est inspiré du cerveau : de nombreuses petites unités de calcul, reliées entre elles, se transmettent des signaux. Mais attention à la comparaison : un réseau de neurones artificiel n'a rien d'un vrai cerveau. C'est un système mathématique qui manipule des nombres, pas un esprit qui pense.

Il faut aussi comprendre que cet entraînement a un coût. Rassembler des millions d'exemples, les faire traiter des millions de fois par des ordinateurs puissants, cela demande du temps, de l'argent et beaucoup d'énergie. Une IA performante n'apparaît pas par magie : derrière elle, il y a des équipes humaines qui choisissent les données, corrigent les résultats et décident de ce que la machine doit apprendre. Ces choix humains sont partout, même là où l'on croit voir une machine « autonome ». C'est un point essentiel : une IA n'est jamais neutre parce qu'elle n'est jamais seule — des humains l'ont façonnée à chaque étape.

Une intelligence sans conscience — et ses limites

C'est ici qu'il faut être lucide, car les mots trompent. Dire qu'une IA « comprend », « pense » ou « sait » est une facilité de langage. En réalité, elle calcule des probabilités : quelle est la réponse la plus vraisemblable au vu de tout ce qu'elle a vu ? Elle n'a ni conscience, ni intention, ni compréhension du monde.

Cette nature a des conséquences très concrètes, qu'il faut connaître.

D'abord, une IA dépend entièrement de ses données. Si on l'entraîne sur des exemples incomplets ou déformés, elle reproduira ces défauts. Une IA entraînée surtout sur des visages d'un certain type reconnaîtra moins bien les autres. On appelle cela un biais : l'IA hérite des déséquilibres présents dans ce qu'on lui a montré.

Ensuite, une IA peut se tromper avec un aplomb total. Comme elle produit la réponse la plus probable, elle peut inventer une information fausse en la présentant comme sûre. C'est pourquoi il ne faut jamais lui accorder une confiance aveugle : une IA est un outil remarquable, pas un oracle.

Enfin, l'IA ne remplace pas ton jugement. Elle peut t'aider à écrire, à calculer, à trier des informations. Mais décider si une réponse est juste, honnête et utile, cela reste ton rôle. La machine propose ; c'est à toi de vérifier et de décider.

Le plus étonnant, en fin de compte, est peut-être ceci : ces systèmes deviennent capables de prouesses réelles — traduire une langue, détecter une tumeur sur une radiographie, conduire une partie du travail d'un assistant — sans jamais rien « comprendre » au sens où toi tu comprends. Ils réussissent par la seule puissance des régularités, sans conscience de ce qu'ils font. Cela oblige à repenser ce qu'on appelle « intelligence ». Une machine peut être extraordinairement efficace et rester, au fond, aveugle au sens de ses propres réponses. Garder cette idée en tête, c'est se donner les moyens d'utiliser l'IA pour ce qu'elle est : un outil formidable, à condition de ne jamais lui déléguer ce qui relève, précisément, de ton intelligence à toi.

À toi de réfléchir

Deux pistes pour prolonger, débattre en classe ou préparer un exposé :

• Une IA apprend à partir d'exemples que des humains ont choisis. Si ces exemples contiennent des préjugés, l'IA les reproduit. À ton avis, qui devrait être responsable des erreurs commises par une IA : ceux qui la fabriquent, ceux qui l'utilisent, ou personne ?
• On dit qu'une IA « apprend » et « comprend ». Après avoir lu ce dossier, penses-tu que ces mots sont justes, ou trompeurs ? Pourquoi le vocabulaire qu'on emploie pour parler des machines a-t-il de l'importance ?