Comment une IA apprend-elle ?

Le jeu des cartes

On prépare des cartes chat et chien avec leurs étiquettes, des réglages du modèle sont ajustés, puis une carte différente sert à tester une réponse. — Les cartes étiquetées servent à l’entraînement. Les réglages du modèle changent. Ensuite, on teste avec d’autres cartes.

Imagine des cartes portant des dessins de chats et de chiens. Sur chacune, quelqu’un a écrit la bonne réponse : « chat » ou « chien ». Cette réponse est une étiquette. On donne au programme les dessins et leurs étiquettes pour l’entraîner.

Pendant cet entraînement, le programme ajuste des nombres dans un modèle. Ici, modèle ne veut pas dire maquette : c’est un outil de calcul construit à partir des données. Il servira à proposer une catégorie pour une autre image.

Le petit piège du fond bleu

Les exemples d’entraînement montrent chats sur bleu et chiens sur jaune. Le test montre un chat sur jaune. Une fausse réponse chien illustre le raccourci de couleur, sans rapporter un essai réel. — Exemple inventé : si le modèle se fie au fond, un chat sur jaune peut le tromper. La couleur du fond ne définit pas l’animal.

Dans notre jeu imaginaire, toutes les cartes de chats ont un fond bleu. Toutes les cartes de chiens ont un fond jaune. Quel repère facile pourrait tromper le programme ? La couleur du fond ! Elle accompagne la bonne réponse dans nos exemples, mais elle ne décrit pas l’animal.

Essayons maintenant un chat sur fond jaune. Un modèle qui s’appuie surtout sur le fond pourrait le classer comme un chien. Nous n’avons pas exécuté cette expérience ici : c’est un exemple inventé pour comprendre comment un mauvais raccourci peut apparaître.

Pour préparer de meilleurs exemples, on varie les fonds et les animaux. On contrôle aussi les étiquettes. Ajouter des cartes ne suffit pas si elles répètent toutes le même piège.

S’entraîner n’est pas réussir le test

Des cartes sont réservées à l’entraînement, d’autres au test. Un résultat fictif montre huit succès verts et deux erreurs rouges, soit huit sur dix dans ce test seulement. — On sépare les cartes d’entraînement et de test. Dans cet exemple fictif, 8 bonnes réponses sur 10 donnent 80 % : cela décrit seulement ces 10 cartes.

On garde d’autres cartes de côté pour évaluer le modèle. Elles ne servent pas à cet entraînement. Le but est de voir comment il répond à des exemples nouveaux, pas seulement à ceux qu’il a déjà rencontrés.

Si le programme réussit huit cartes sur dix dans un test imaginaire, cela ferait 80 % sur ces dix cartes. Ce calcul ne veut pas dire qu’il réussira 80 % de toutes les images du monde. Le résultat décrit ce test précis.

La petite question

Quelle carte est utile pour chercher le piège de la couleur du fond ?

Encore un chat sur fond bleu.

Un chat sur fond jaune, jamais utilisé pour l’entraînement.

Voir la réponse et comprendre

Réponse B. La seconde carte change le fond sans changer l’animal. Elle aide à tester le raccourci. Un seul essai ne suffit pas à mesurer toutes les capacités du modèle.

Pour aller plus loin

Les exemples sont imaginés pour expliquer. Les notions s’appuient sur ces références.

Jeu de cartes, erreur et score sont fictifs et annoncés comme tels. Le calcul 8 ÷ 10 × 100 = 80 est reproductible ; aucun modèle réel n’a été entraîné ni évalué dans cet exercice.

Cours préparé avec l’assistance de l’intelligence artificielle. Sources consultées le 13 octobre 2026.