Le scénario et les objectifs pédagogiques
Imaginez une petite voiture équipée d’une caméra. Elle doit choisir entre trois actions : s’arrêter, ralentir ou continuer. Vous n’allez pas programmer toutes les règles. Vous allez montrer au système des exemples d’images associés à chaque action, puis observer comment il classe une nouvelle image. Cette expérience permet d’introduire le jeu de données, l’entraînement, la probabilité, l’erreur et le test sur des exemples inconnus.
L’atelier ne construit pas un véhicule autonome réel et ne doit jamais être utilisé pour commander un dispositif physique. Il s’agit d’une simulation visuelle. Un adulte accompagne les mineurs et contrôle l’utilisation de la webcam. Les images sont créées pour l’exercice et ne doivent contenir aucune information personnelle. Lisez les conditions de l’outil utilisé avant de commencer.
Préparer les cartes et l’espace de travail
Il faut un ordinateur récent avec une webcam, un navigateur compatible, des feuilles, des feutres et une table bien éclairée. Créez au moins six cartes par action. Pour « s’arrêter », dessinez plusieurs versions d’un feu rouge ou d’un panneau stop. Pour « ralentir », utilisez différentes formes triangulaires ou des symboles de danger. Pour « continuer », préparez des cartes neutres, des routes sans signal et quelques panneaux qui ne demandent aucune action dans votre simulation.
Ne rendez pas les catégories trop faciles. Si toutes les cartes « arrêt » sont rouges et toutes les cartes « continuer » sont blanches, le modèle apprendra surtout la couleur. Variez la taille, l’orientation, le fond et le style. Gardez trois cartes de côté pour le test final. Elles ne doivent jamais être montrées pendant l’entraînement. Cette séparation est l’un des enseignements les plus importants de l’activité.
Construire un jeu de données équilibré
Ouvrez Teachable Machine ou un outil pédagogique équivalent. Créez trois classes portant le nom des actions. Enregistrez plusieurs images de chaque carte en la déplaçant lentement devant la webcam. Changez la distance et l’angle, mais conservez une quantité comparable d’images entre les classes. Si une catégorie contient beaucoup plus d’exemples, le modèle peut la privilégier.
Observez le cadrage. Le fond, la main ou la table font partie de l’image. Si vous tenez toujours les cartes d’arrêt à gauche et les autres à droite, le système peut apprendre la position au lieu du panneau. Mélangez les gestes et les arrière-plans. Cette discussion montre que les données ne sont jamais une simple matière neutre : la façon de les produire encode des habitudes et parfois des raccourcis.
Entraîner et lire les probabilités
Lancez l’entraînement avec les réglages proposés par l’outil. Pendant cette phase, le modèle ajuste progressivement ses paramètres pour réduire les erreurs sur les exemples. Une itération correspond à un passage de calcul, mais davantage d’itérations ne garantit pas un meilleur résultat. Si le modèle mémorise trop précisément les images d’entraînement, il peut devenir moins bon sur une carte nouvelle. Ce phénomène s’appelle le surapprentissage.
Dans la zone de test, montrez quelques cartes déjà utilisées. Le bon résultat est attendu, mais il ne prouve pas encore que le modèle a compris une règle générale. Regardez la distribution des probabilités. Une valeur élevée exprime la préférence du modèle entre les classes proposées, pas une certitude absolue sur le monde. Si l’image ne ressemble à aucune catégorie, le système choisira pourtant souvent l’une d’elles.
Tester avec des cartes vraiment nouvelles
Utilisez maintenant les cartes mises de côté. Notez la classe choisie, la probabilité et votre propre réponse. Tournez une carte, changez le fond, éloignez-la ou montrez seulement une partie. Les erreurs sont le cœur de l’atelier. Demandez ce qui a pu guider le modèle : couleur, forme, position ou détail du fond. Ajoutez ensuite quelques exemples ciblés dans l’entraînement et recommencez le test sans toucher aux cartes de réserve.
Créez aussi un cas ambigu, par exemple un disque rouge sans symbole. Les participants peuvent ne pas être d’accord sur l’étiquette. Cette situation montre qu’un jeu de données dépend de règles et d’annotations humaines. Avant d’accuser le modèle, il faut parfois clarifier la tâche. Une catégorie « je ne sais pas » ou un seuil de rejet peut être préférable à une décision forcée.
Faire le bilan comme une équipe de data science
Terminez par une petite fiche : objectif, nombre d’images, difficultés, erreurs observées et amélioration envisagée. Demandez ce qui changerait avec une caméra extérieure, la pluie, la nuit ou de vrais panneaux. La réponse attendue n’est pas une liste exhaustive, mais la prise de conscience que le contexte réel est beaucoup plus variable que la table de l’atelier.
Reliez enfin l’expérience aux systèmes du quotidien. Un filtre photo, une recommandation ou une aide à la conduite apprend à partir d’exemples et de critères différents. Les enjeux augmentent lorsque la décision affecte une personne. L’atelier fournit donc un vocabulaire, pas une recette de déploiement. Pour aller plus loin, consultez le glossaire et la page sur l’éthique de l’IA.