Comment une intelligence artificielle apprend

Une intelligence artificielle apprend en observant un grand nombre d'exemples. Ces exemples sont appelés données d'entraînement. Ils permettent au modèle de repérer des relations et des régularités qu'il pourra ensuite utiliser pour produire une prédiction.

Pour apprendre à reconnaître des chats, par exemple, un modèle analyse de nombreuses images. Certaines caractéristiques apparaissent régulièrement, comme la forme des oreilles, des yeux ou du museau. Le modèle ne reçoit pas nécessairement une règle décrivant précisément un chat. Il construit progressivement ses propres repères à partir des données.

Les données constituent le point de départ

Les données peuvent prendre différentes formes. Il peut s'agir de textes, d'images, de sons, de chiffres ou de mesures provenant de capteurs. Elles sont généralement préparées avant l'entraînement afin de supprimer les erreurs, d'uniformiser leur format et de sélectionner les informations utiles.

La qualité des données est essentielle. Si elles sont trop peu nombreuses, incorrectes ou peu représentatives de la réalité, le modèle risque d'apprendre de mauvaises associations. Ses résultats pourront alors être imprécis ou défavoriser certaines situations insuffisamment représentées. Google recommande notamment de préparer et de séparer correctement les données utilisées pour entraîner et évaluer un modèle.

L'entraînement fonctionne par essais successifs

Au début de son entraînement, le modèle produit généralement des résultats peu précis. Il effectue une première prédiction, puis la compare avec la réponse attendue. Une valeur appelée erreur, ou loss, mesure l'écart entre les deux.

Le système modifie ensuite légèrement son fonctionnement pour tenter de réduire cette erreur. Il recommence cette opération sur de nombreux exemples. À chaque étape, ses paramètres sont ajustés afin que les prochaines prédictions soient plus proches des résultats attendus. L'objectif de l'entraînement est donc de réduire progressivement la loss.

Apprendre ne signifie pas mémoriser

Un bon modèle ne doit pas uniquement retenir les exemples utilisés pendant son entraînement. Il doit pouvoir appliquer ce qu'il a appris à des données qu'il n'a jamais rencontrées.

Pour vérifier cette capacité, une partie des données est conservée séparément. Elle sert à tester le modèle après ou pendant son entraînement. Un modèle peut obtenir d'excellents résultats sur ses données d'entraînement, mais échouer sur de nouvelles données. Ce phénomène est appelé overfitting, ou surapprentissage. L'analyse des résultats obtenus sur des données distinctes permet de détecter ce problème.

Le modèle ne comprend pas les données comme un être humain. Il apprend des relations statistiques. Une prédiction peut donc sembler cohérente tout en étant incorrecte, notamment lorsque la situation rencontrée est très différente des exemples utilisés pendant l'entraînement.