Comment entraîner un système d’apprentissage machine?
Cerveau artificiel géométrique avec processeur, engrenages et circuit imprimé (miakievy, Getty Images)
Cerveau artificiel géométrique avec processeur, engrenages et circuit imprimé (miakievy, Getty Images)
Quels sont les liens avec mon programme d'études?
Crée un ensemble de règles qu’un système d’apprentissage machine pourrait utiliser pour identifier une icône spécifique à partir d’une bibliothèque d’icônes.
Envisage d’utiliser le processus Concevoir et construire pour ce défi.
Cette activité contribuera au développement de compétences liées aux phases Planifier, Créer, Tester et Évaluer ainsi que Réfléchir et échanger de ce processus. Elle met également en évidence l’itération nécessaire au cours de ce processus.
Matériel
- Bibliothèque d’icônes (voir ci-dessous)
- De quoi écrire
- Un ou une partenaire
Marche à suivre
Ton travail consiste à élaborer des règles pour entraîner un système d’apprentissage machine à reconnaître des icônes. Dans cette activité, ton ou ta partenaire fera semblant d’être le programme d’apprentissage machine. Nous avons fourni une bibliothèque d’icônes à utiliser.
- Planifier – Choisis l’une des icônes de la bibliothèque. Ne dis pas à ton ou ta partenaire quelle icône tu as choisie. Regarde les icônes et réfléchis à différentes façons de les décrire et de les trier. Cela t’aidera à créer les règles que ton ou ta partenaire utilisera pour trouver l’icône que tu as choisie. Pour cette activité :
- Une règle ne peut pas utiliser le nom de la chose (p. ex., « Il a quatre pattes » et non « C’est un chat »).
- Chaque règle ne peut comporter qu’une seule caractéristique (p. ex., « Il est vivant » et non « Il est vivant et a des pattes »).
- Créer - Note les règles que ton ou ta partenaire (l’ordinateur) utilisera pour trouver ton icône.
- Tester - Lorsque tu penses avoir un bon ensemble de règles, lis-les à ton ou ta partenaire. Vois si celui-ci ou celle-ci peut déterminer quelle icône tu as choisie dans la bibliothèque d’icônes.
- Évaluer – Ton ou ta partenaire a-t-il/elle pu identifier ton icône? Si non, révise tes règles et fais un nouvel essai.
- Réfléchir et échanger – Quels types de caractéristiques as-tu utilisés pour tes règles? Quelles règles ont le plus aidé ton ou ta partenaire? Certaines règles étaient-elles inutiles? Quel est le nombre minimal de règles permettant d’identifier ton icône? Tes règles auraient-elles été différentes si les icônes avaient été en couleur?
Image - Version texte
Une grille comprend des dessins au trait en noir et blanc dans chaque carré.
La grille est composée de cinq carrés par ligne et cinq par colonne. Chaque carré contient un dessin simplifié au trait d’un objet.
De gauche à droite, en commençant par le haut, les dessins sont les suivants : un soleil, un vélo, un parapluie, un ballon de football, un avion, un ballon de basket, une chaussure, une pomme, une double note de musique, une dent, une fleur dans un pot, un nuage, un chien, un poisson dans un bocal, un oiseau, un écureuil, une pelote de laine, une face de chat, un os, une empreinte de patte, un peigne, une paire de ciseaux, un croissant de lune, une étoile et un arbre.
Découverte
Un modèle d’apprentissage machine est un programme qui peut trouver des motifs et prendre des décisions basées sur un ensemble de données. L’apprentissage machine est une forme d’intelligence artificielle.
Dans un modèle d’apprentissage machine supervisé, les gens doivent aider le modèle à trouver un motif pour identifier correctement quelque chose. D’abord, le modèle reçoit des images étiquetées de quelque chose, comme un objet. Ces images et leurs étiquettes sont appelées données d’entrée. Le modèle utilise les données d’entrée pour élaborer des règles. Ensuite, il utilise celles-ci pour produire les bonnes données de sortie. Les données de sortie sont l’identité de l’objet. Les modèles d’apprentissage machine ont besoin de nombreuses données d’entrée pour élaborer des règles précises.
Dans un modèle d’apprentissage machine non supervisé, le modèle reçoit des données non étiquetées. Par la suite, il lui est demandé de trouver des motifs. Un humain peut ensuite utiliser ces motifs pour construire un modèle qui réalise la tâche nécessaire. Parfois, les modèles d’apprentissage machine trouvent des motifs inattendus dans les données. C’est pourquoi les humains doivent être dans la boucle. Ils/elles aident à créer des modèles qui fonctionnent comme nous le voulons.
Il est important de savoir comment et pourquoi un modèle d’apprentissage machine génère ses données de sortie. Si les données d’entrée sont erronées ou incomplètes, les données de sortie peuvent être incorrectes, biaisées ou contraires à l’éthique.
Les ordinateurs ne « pensent » pas de la même manière que les gens. Une tâche que les humains pensent facile peut être très difficile pour un ordinateur, et vice versa!
- Essaie à nouveau tes règles avec d’autres icônes. Fonctionnent-elles toujours? Sinon, que faut-il modifier ou ajouter?
- Peux-tu trouver des règles qui n’utilisent que des formes pour l’identification de l’icône?
- Lis tes règles à une personne, sans lui montrer la bibliothèque d’icônes. Peut-elle dire quel objet tu essaies de définir? L’un ou l’une de vous peut-il/elle penser à d’autres objets qui correspondraient aussi à tes règles?
Qu’est-ce qui se passe?
Un modèle d’apprentissage machine est un programme qui peut trouver des motifs et prendre des décisions basées sur un ensemble de données. L’apprentissage machine est une forme d’intelligence artificielle.
Dans un modèle d’apprentissage machine supervisé, les gens doivent aider le modèle à trouver un motif pour identifier correctement quelque chose. D’abord, le modèle reçoit des images étiquetées de quelque chose, comme un objet. Ces images et leurs étiquettes sont appelées données d’entrée. Le modèle utilise les données d’entrée pour élaborer des règles. Ensuite, il utilise celles-ci pour produire les bonnes données de sortie. Les données de sortie sont l’identité de l’objet. Les modèles d’apprentissage machine ont besoin de nombreuses données d’entrée pour élaborer des règles précises.
Dans un modèle d’apprentissage machine non supervisé, le modèle reçoit des données non étiquetées. Par la suite, il lui est demandé de trouver des motifs. Un humain peut ensuite utiliser ces motifs pour construire un modèle qui réalise la tâche nécessaire. Parfois, les modèles d’apprentissage machine trouvent des motifs inattendus dans les données. C’est pourquoi les humains doivent être dans la boucle. Ils/elles aident à créer des modèles qui fonctionnent comme nous le voulons.
Pourquoi est-ce important?
Il est important de savoir comment et pourquoi un modèle d’apprentissage machine génère ses données de sortie. Si les données d’entrée sont erronées ou incomplètes, les données de sortie peuvent être incorrectes, biaisées ou contraires à l’éthique.
Les ordinateurs ne « pensent » pas de la même manière que les gens. Une tâche que les humains pensent facile peut être très difficile pour un ordinateur, et vice versa!
Pousser l'enquête
- Essaie à nouveau tes règles avec d’autres icônes. Fonctionnent-elles toujours? Sinon, que faut-il modifier ou ajouter?
- Peux-tu trouver des règles qui n’utilisent que des formes pour l’identification de l’icône?
- Lis tes règles à une personne, sans lui montrer la bibliothèque d’icônes. Peut-elle dire quel objet tu essaies de définir? L’un ou l’une de vous peut-il/elle penser à d’autres objets qui correspondraient aussi à tes règles?