Construire une carte qui distingue une règle programmée, un modèle appris et un réseau profond.
Preuve de réussite : explique « IA, apprentissage automatique et apprentissage profond », réalise « Les cercles de capacités » et cite la limite de l’analogie.
Au club scientifique, Inès veut appeler « IA » chaque objet qui réagit. Malik pose trois cartes : un minuteur suit une règle écrite, un trieur de graines ajuste ses paramètres à partir d'exemples étiquetés, et un système d'images utilise de nombreuses couches. Les trois produisent un résultat, mais ils ne l'obtiennent pas de la même manière. Leur enquête consiste à demander d'où vient la règle et comment le résultat a été vérifié.
Observe le mécanisme, pas seulement le résultat. Les trois repères suivants permettent de vérifier chaque étape. Ici, ton repère est « IA, apprentissage automatique et apprentissage profond ».
La carte commence par le problème, distingue la source de la règle, puis termine par une mesure et une décision humaine. Lis le dessin du haut vers le bas : chaque flèche annonce une transformation ou une vérification, jamais une pensée de la machine.
L'analogie : Imagine trois boîtes emboîtées : IA à l'extérieur, machine learning à l'intérieur, deep learning encore plus au centre.
Là où elle s'arrête : Les domaines se chevauchent dans les usages réels et une boîte ne dit rien sur la qualité, le coût ou la sécurité d'un système. Une analogie aide à démarrer ; elle ne remplace ni les données, ni les calculs, ni un test.
Matériel : trois ficelles en cercles, six cartes portant des systèmes fictifs et un crayon
Temps conseillé : 10 à 20 minutes.
Observation attendue : un système peut automatiser une tâche sans apprendre, et le mot IA ne suffit pas pour connaître son mécanisme.
Ajoute une septième carte : un thermostat qui règle lui-même ses paramètres. Explique quelles informations manquent avant de le classer.
Une étiquette « alimenté par l'IA » peut servir de publicité. Avant d'utiliser un outil, cherche quelles données il reçoit, quelle erreur a été mesurée et qui peut contester sa sortie.
Question responsable : Dans quelle situation une simple règle serait-elle plus claire, moins coûteuse et plus sûre qu'un modèle appris ?
Tout système automatique apprend-il ?
Correction : Non. Un minuteur ou une suite de conditions peut être entièrement programmé.
Où se place le deep learning ?
Correction : À l'intérieur du machine learning, lui-même souvent placé dans le domaine plus large de l'IA.
Un réseau profond comprend-il une image comme une personne ?
Correction : Non. Il transforme des nombres et apprend des associations mesurées ; le mot comprendre serait trompeur ici.
Cartographe des systèmes — Tu gagnes ce badge si tu peux expliquer le schéma sans lire, montrer le résultat de l'activité et corriger une réponse fausse avec bienveillance.