Explorer l’apprentissage machine
Découpage en papier d’un robot conversationnel sur un écran d’ordinateur (Carol Yepes, Getty Images)
Découpage en papier d’un robot conversationnel sur un écran d’ordinateur (Carol Yepes, Getty Images)
Quels sont les liens avec mon programme d'études?
Les élèves apprendront à explorer le fonctionnement des ordinateurs en étudiant la façon dont les données d’entrée sont traitées et apparaissent sous forme de données de sortie.
Survol
| Activités | Durée | Taille des groupes | Description |
|---|---|---|---|
| Activité théorique : Quick, Draw! | 20-30 minutes | Grand groupe et individuellement | Les élèves exploreront un jeu d’apprentissage machine en ligne et discuteront de ce type d’apprentissage machine. |
| Action : Comment fonctionne l’apprentissage machine? | 30-40 minutes | Petit groupe et grand groupe | Les élèves découvriront différents types et processus de l’apprentissage machine. |
| Consolidation : Domaines d’application de l’apprentissage machine | 20-30 minutes | Grand groupe et individuellement | Les élèves exploreront les liens entre l’apprentissage machine et les Objectifs de développement durable (ODD) de l’ONU. |
Cette leçon peut être réalisée sur plusieurs jours.
Les élèves pourront :
- Comprendre les notions de base de l’apprentissage machine
- Participer à des activités pratiques d’apprentissage machine
- Mettre en pratique la pensée computationnelle
- Explorer comment l’apprentissage machine peut être utilisé pour faire progresser les Objectifs de développement durable (ODD) de l’ONU
Objectifs d’apprentissage
Les élèves pourront :
- Comprendre les notions de base de l’apprentissage machine
- Participer à des activités pratiques d’apprentissage machine
- Mettre en pratique la pensée computationnelle
- Explorer comment l’apprentissage machine peut être utilisé pour faire progresser les Objectifs de développement durable (ODD) de l’ONU
Les élèves pourront :
- Décrire les trois principaux types d’apprentissage machine
- Mettre à profit les pratiques de pensée computationnelle du raisonnement algorithmique et de la reconnaissance des régularités
- Cerner des exemples d’apprentissage machine dans la vie de tous les jours
- Établir des liens entre l’apprentissage machine et les ODD
Critères de réussite
Les élèves pourront :
- Décrire les trois principaux types d’apprentissage machine
- Mettre à profit les pratiques de pensée computationnelle du raisonnement algorithmique et de la reconnaissance des régularités
- Cerner des exemples d’apprentissage machine dans la vie de tous les jours
- Établir des liens entre l’apprentissage machine et les ODD
Cette icône indique des possibilités d’évaluation.
Observations
- Écoutez les réponses des élèves sur les données d’entrée et de sortie après l’activité Quick, Draw!.
- Écoutez et observez la discussion liée aux types et aux utilisations de l’apprentissage machine, en notant tous les domaines qui pourraient faire l’objet d’une discussion et d’une exploration plus approfondies.
Conversations
- Discutez avec chaque petit groupe de la façon dont les élèves ont regroupé les objets et de la règle de tri, ou algorithme qu’ils et elles ont générée.
Produits
- Réponses sur la fiche reproductible Apprentissage machine : Toile de définition du concept.
- Réponses aux questions générées lors de l’activité Discussion silencieuse / graffitis.
Preuve de l’apprentissage des élèves
Cette icône indique des possibilités d’évaluation.
Observations
- Écoutez les réponses des élèves sur les données d’entrée et de sortie après l’activité Quick, Draw!.
- Écoutez et observez la discussion liée aux types et aux utilisations de l’apprentissage machine, en notant tous les domaines qui pourraient faire l’objet d’une discussion et d’une exploration plus approfondies.
Conversations
- Discutez avec chaque petit groupe de la façon dont les élèves ont regroupé les objets et de la règle de tri, ou algorithme qu’ils et elles ont générée.
Produits
- Réponses sur la fiche reproductible Apprentissage machine : Toile de définition du concept.
- Réponses aux questions générées lors de l’activité Discussion silencieuse / graffitis.
Les élèves pourront :
- Comprendre les notions de base de l’apprentissage machine
- Participer à des activités pratiques d’apprentissage machine
- Mettre en pratique la pensée computationnelle
- Explorer comment l’apprentissage machine peut être utilisé pour faire progresser les Objectifs de développement durable (ODD) de l’ONU
Objectifs d’apprentissage
Les élèves pourront :
- Comprendre les notions de base de l’apprentissage machine
- Participer à des activités pratiques d’apprentissage machine
- Mettre en pratique la pensée computationnelle
- Explorer comment l’apprentissage machine peut être utilisé pour faire progresser les Objectifs de développement durable (ODD) de l’ONU
Les élèves pourront :
- Décrire les trois principaux types d’apprentissage machine
- Mettre à profit les pratiques de pensée computationnelle du raisonnement algorithmique et de la reconnaissance des régularités
- Cerner des exemples d’apprentissage machine dans la vie de tous les jours
- Établir des liens entre l’apprentissage machine et les ODD
Critères de réussite
Les élèves pourront :
- Décrire les trois principaux types d’apprentissage machine
- Mettre à profit les pratiques de pensée computationnelle du raisonnement algorithmique et de la reconnaissance des régularités
- Cerner des exemples d’apprentissage machine dans la vie de tous les jours
- Établir des liens entre l’apprentissage machine et les ODD
Cette icône indique des possibilités d’évaluation.
Observations
- Écoutez les réponses des élèves sur les données d’entrée et de sortie après l’activité Quick, Draw!.
- Écoutez et observez la discussion liée aux types et aux utilisations de l’apprentissage machine, en notant tous les domaines qui pourraient faire l’objet d’une discussion et d’une exploration plus approfondies.
Conversations
- Discutez avec chaque petit groupe de la façon dont les élèves ont regroupé les objets et de la règle de tri, ou algorithme qu’ils et elles ont générée.
Produits
- Réponses sur la fiche reproductible Apprentissage machine : Toile de définition du concept.
- Réponses aux questions générées lors de l’activité Discussion silencieuse / graffitis.
Preuve de l’apprentissage des élèves
Cette icône indique des possibilités d’évaluation.
Observations
- Écoutez les réponses des élèves sur les données d’entrée et de sortie après l’activité Quick, Draw!.
- Écoutez et observez la discussion liée aux types et aux utilisations de l’apprentissage machine, en notant tous les domaines qui pourraient faire l’objet d’une discussion et d’une exploration plus approfondies.
Conversations
- Discutez avec chaque petit groupe de la façon dont les élèves ont regroupé les objets et de la règle de tri, ou algorithme qu’ils et elles ont générée.
Produits
- Réponses sur la fiche reproductible Apprentissage machine : Toile de définition du concept.
- Réponses aux questions générées lors de l’activité Discussion silencieuse / graffitis.
Matériel et préparation
Activités d’enseignement et d’apprentissage
Cette icône indique des possibilités d’évaluation.
Activité théorique : Activité de dessin Quick, Draw! [20-30 min]
| Instructions | Conseils pour l’enseignement |
|---|---|
|
Expliquez aux élèves qu’ils et elles vont explorer un aspect de l’intelligence artificielle (IA) appelé apprentissage machine. Pour voir un exemple d’apprentissage machine en action, demandez aux élèves de réaliser l’activité en ligne Quick, Draw!. 
Image - Version texteCapture d’écran du site Quick, Draw! Un jeu montre une main de dessin animé pointant des dessins gribouillés au-dessus d’un texte qui explique comment jouer et d’un bouton pour démarrer le jeu. Lorsque les élèves cliqueront sur le bouton « C’est parti! », on leur demandera de dessiner un objet. Au fur et à mesure que les élèves dessinent, le programme essaie de décoder ce qui est dessiné. Il y a six dessins simples à réaliser. Les élèves qui le souhaitent peuvent cliquer sur une image pour comprendre comment le programme a décodé le dessin et pour voir des exemples soumis par d’autres personnes. |
TechnologieQuick, Draw! est un jeu en ligne conçu par Google. Il utilise une forme d’apprentissage machine appelée réseaux neuronaux et des données provenant de plus de 50 millions de dessins pour deviner ce que les utilisateurs et utilisatrices dessinent en temps réel. Les élèves ayant des difficultés motrices peuvent jouer avec un ou une camarade. Les élèves ayant un handicap visuel ou auditif peuvent faire une activité similaire en mimant un mot et en le faisant deviner aux autres élèves. |
|
Ensuite, demandez aux élèves de regarder la vidéo d’explication du jeu A.I. Experiments: Quick, Draw! (en anglais) Les élèves peuvent y accéder en cliquant sur le bouton rose en forme de point d’interrogation en haut à gauche de la page principale de Quick, Draw!. Demandez aux élèves de partager leurs réflexions sur l’activité à l’aide des questions de discussion telles que celles qui figurent à droite.
Après la discussion, aidez les élèves à comprendre que le jeu informatique fait des prédictions. L’élève a donné au programme informatique une donnée d’entrée (son dessin) et l’ordinateur a essayé de décoder le dessin. La prédiction était donnée sous la forme d’un mot, qui était la donnée de sortie. |
DiscussionsLes questions de discussion peuvent inclure :
|
|
Animez une discussion en classe sur des exemples de cas où l’IA est utilisée pour faire des prédictions. Les exemples des élèves peuvent inclure des assistants vocaux, des itinéraires de conduite en temps réel, des programmes de traduction, des recommandations d’achats, des recommandations de vidéos et des fonctions de correction automatique. |
Liens communautairesLes élèves pourraient réfléchir à toutes les entreprises locales qui utilisent la technologie pour faire des prédictions. Par exemple, comment les prédictions pourraient-elles être utilisées pour améliorer les choses dans une communauté? |
Action : Comment fonctionne l’apprentissage machine [30-40 min.]
| Instructions | Conseils pour l’enseignement |
|---|---|
|
Demandez aux élèves de lire le document d’information de Parlons sciences Introduction à l’apprentissage machine Autrement, demandez-leur de visionner la vidéo Le Machine Learning expliqué simplement (9 min 27 sec).
Divisez les élèves en groupes de trois et demandez à chaque membre du groupe de remplir une des pages (supervisé, non supervisé, par renforcement ou autosupervisé) de la fiche reproductible Apprentissage machine : Toile de définition du concept - Fiche reproductible [document Google] [document Word] [PDF]. 
|
LanguePour aider les élèves à comprendre le texte, les élèves peuvent utiliser une stratégie d’apprentissage telle que l’Annotation du texte ou travailler en binôme. |
|
Organisez une discussion en classe sur les trois types d’apprentissage machine à l’aide de questions de discussion telles que celles qui figurent à droite. |
DiscussionsLes questions de discussion peuvent inclure :
|
|
Expliquez pourquoi les élèves réaliseront une activité d’apprentissage machine non supervisé. Dans cette activité, les élèves se concentreront sur une tâche courante d’apprentissage machine non supervisé appelée partitionnement de données ou clustering. Fournissez à chaque groupe d’élèves un assortiment d’objets, par exemple :
Les objets représentent un ensemble de données. Demandez aux élèves de trier les objets dans les groupes de leur choix. Il n’y a pas de bonne ou de mauvaise façon de trier les objets. 
Image - Version texteQuatre cercles orange pâle sont disposés dans un carré. Chacun des cercles est recouvert de cercles et de carrés rouges, bleus et verts plus petits. Le cercle en haut à gauche se trouve sous le titre « Données = entrée ». Le cercle en haut à droite se trouve sous le titre « partitionnement de données = sortie ». Entre les cercles orange de la rangée supérieure se trouve une flèche pointant vers la droite. Il y est écrit « Groupe 1 ». Entre les cercles orange de la rangée du bas se trouve une flèche pointant vers la droite. Il y est écrit « Groupe 2 ». Dans le groupe 1, les petits cercles et les carrés sont regroupés en fonction de leur couleur. Dans le groupe 2, les petits cercles et les carrés sont regroupés en fonction de leur forme. |
IdéeSi vous le souhaitez, les élèves peuvent utiliser la stratégie d’apprentissage Tapis de tri. |
|
Ensuite, en fonction de la façon dont les élèves ont trié leurs objets, demandez-leur d’identifier des règles de tri ou des algorithmes qui pourraient être utilisés pour placer de nouveaux objets à l’intérieur de ces groupes. Par exemple, le groupe 1 ci-dessus a trié ses formes par couleur. Le groupe pourrait ensuite mettre en place une règle de tri selon laquelle une nouvelle forme doit être placée dans un groupe en fonction de sa couleur. |
TechnologieLes élèves pourraient utiliser le programme de codage en bloc Scratch pour tester et montrer leur algorithme aux autres.
IdéeLes élèves pourraient demander à d’autres groupes de trier les objets en utilisant uniquement leur algorithme. |
|
Animez une discussion en classe sur des exemples de cas où l’apprentissage machine s’appuie sur le partitionnement de données. Le partitionnement de données est utilisé dans la détection des fraudes, les campagnes marketing, les personas d’utilisateurs et d’utilisatrices, l’imagerie médicale et bien plus encore. Par exemple :
|
DiscussionsLes questions de discussion peuvent inclure :
IdéeLes élèves peuvent chercher d’autres exemples de partitionnement de données utilisés dans la vie de tous les jours. |
Consolidation : Domaines d’application de l’apprentissage machine [20-30 min.]
| Instructions | Conseils pour l’enseignement |
|---|---|
|
Les élèves consolideront et étendront leurs connaissances à l’aide de la stratégie d’apprentissage discussion silencieuse / graffitis. Dans le cadre de cette activité, les élèves se promèneront dans la salle et répondront à des questions liées à la façon dont l’apprentissage machine peut être utilisé pour aider à résoudre des problèmes du monde réel. 
Comment l’apprentissage machine pourrait-il contribuer à réduire la faim? (ODD 2) 
Comment l’apprentissage machine pourrait-il contribuer à améliorer la santé humaine? (ODD 3) 
Comment l’apprentissage machine pourrait-il contribuer à améliorer l’éducation? (ODD 4) 
Comment l’apprentissage machine pourrait-il être utilisé pour fournir de l’énergie propre au monde entier? (ODD 7)
Ensuite, lisez les réponses inscrites sur les feuilles et discutez-en. |
IdéeAffichez les feuilles dans la salle à des endroits qui seront accessibles aux élèves.
IdéeQuatre questions sont proposées, mais vous pouvez en choisir d’autres en fonction de votre matière à étudier. |
| Cette activité pourrait être suivie d’une réflexion personnelle des élèves sur l’apprentissage machine et l’IA à l’aide d’une stratégie d’apprentissage comme Avant, je pensais, maintenant je pense. |
Information supplémentaire pour l’enseignement
L’intelligence artificielle et les ODD
L’intelligence artificielle et l’apprentissage machine ont le potentiel d’améliorer considérablement notre capacité à atteindre les ODD (en anglais).
Par exemple, ils peuvent contribuer à soutenir le développement de systèmes à faible émission de carbone en soutenant les économies circulaires et les villes intelligentes qui utilisent efficacement leurs ressources.
Ils peuvent également aider les personnes à analyser des bases de données interconnectées à grande échelle afin d’élaborer des actions pour préserver l’environnement.
Image - Version texte
Voici une infographie sur la relation positive entre la technologie de l’IA et les ODD. De fortes relations positives sont mises en évidence pour les ODD 1, 4, 6, 7, 8, 9 et 14. Des relations moins fortes apparaissent pour les ODD 2, 3, 10, 12, 13 et 15. Des relations faibles sont indiquées pour les ODD 5, 16 et 17. L’incidence positive globale de l’IA sur l’ensemble des ODD est de 79 %. L’incidence positive globale pour l’environnement est de 93 %, pour la société de 82 % et pour l’économie de 75 %.
Cependant, l’IA peut nuire à la réalisation de certains aspects des ODD (en anglais).
Par exemple, l’IA avancée nécessite des ressources informatiques massives uniquement disponibles dans les grands centres informatiques. Ces installations ont de grands besoins énergétiques et une empreinte carbone très élevée (en anglais).
Un autre inconvénient important est que les solutions que l’IA génère sont basées sur les besoins et les valeurs des nations dans lesquelles elle est conçue. Cela peut potentiellement entraîner des problèmes tels que des résultats électoraux biaisés et une augmentation des crimes haineux.
Image - Version texte
Voici une infographie sur la relation négative entre la technologie de l’IA et les ODD. De fortes relations négatives sont mises en évidence pour les ODD 4 et 10. Des relations moins fortes sont présentées pour les ODD 1, 7, 8 et 13. Les autres ODD présentent les relations les plus faibles. L’incidence négative globale de l’IA sur l’ensemble des ODD est de 35 %. L’incidence négative globale pour l’environnement est de 30 %, pour la société de 38 % et pour l’économie de 33 %.