🤖 Entraîner un modèle d'IA de reconnaissance d'images

Objectifs pédagogiques

• Comprendre concrètement comment une IA « apprend » en entraînant soi-même un petit modèle.
• Entraîner un modèle de reconnaissance d'images sur Vittascience.
• Identifier une limite d'un modèle d'IA entraîné en petit groupe.

Contexte

Tu es technicien·ne dans un centre de tri de déchets. Mme Le Bihan, la responsable du site, sait que certains centres de tri utilisent une caméra et une IA pour reconnaître les matériaux qui défilent sur un tapis roulant. Elle te confie, avec ton groupe, l'entraînement d'un petit modèle sur la plateforme Vittascience, pour comprendre comment une IA apprend à faire ce tri. Sur cette plateforme, certaines IA génèrent du texte ou des images ; celle que tu vas entraîner reconnaît des images. Tu as vu précédemment le principe général d'une IA : des données, un apprentissage, une prédiction.

Problématique

Comment une IA apprend-elle concrètement à reconnaître quelque chose, et où sont ses limites ?

Mission

1. Ouvrir le module Images de Vittascience : il s'utilise directement, sans compte ni inscription. Avec ton groupe, choisir 3 matériaux à faire reconnaître au modèle (par exemple : plastique, papier-carton, métal).
2. Ranger dans un dossier de ton espace personnel un sous-dossier par matériau, avec au moins 10 images d'objets différents (photos ou images trouvées sur internet). Aucune personne, aucun visage sur les images. Créer une catégorie par matériau (« Ajouter une catégorie ») et y ajouter les images de son sous-dossier.
3. Lancer l'entraînement du modèle, sans modifier les réglages avancés.
4. Tester le modèle sur au moins 5 images qui n'ont pas servi à l'entraînement, dont 2 volontairement ambiguës. Pour chaque test, noter la catégorie proposée par le modèle et si elle est juste ou fausse. Compter les bonnes réponses sur le total des tests.
5. Choisir 2 cas où le modèle se trompe. Si le modèle ne se trompe jamais, tester des images de plus en plus ambiguës jusqu'à obtenir une erreur. Pour chaque cas, capturer l'image testée et le résultat affiché, puis formuler une hypothèse sur la cause en t'appuyant sur les images que tu as fournies à chaque catégorie.
6. Déposer dans OneNote tes captures du modèle entraîné, le décompte de tes tests et tes deux hypothèses.

Questions de synthèse

• Qu'as-tu fourni à ton modèle pour qu'il apprenne à reconnaître les matériaux ?
• Donner un exemple concret d'un cas où ton modèle s'est trompé.
• Pourquoi un exemple ambigu est-il plus difficile à reconnaître pour un modèle entraîné sur peu de données ?

Ressources et outils

• Vittascience — module Images : entraînement et test d'un modèle de reconnaissance d'images dans le navigateur, sans compte ni inscription ; les images restent sur ton ordinateur pendant l'entraînement — ouvrir Vittascience Images
• Moteur de recherche (images) : pour récupérer des images d'objets.
• OneNote : dépôt de tes captures et de tes hypothèses.

CRCN / Pix

• CRCN 1.2 — Gérer des données

Ce qu'il faut retenir

• Une IA de reconnaissance apprend à partir d'exemples étiquetés : elle ne reçoit pas de règles écrites, elle repère ce que les exemples d'une même catégorie ont en commun.
• La qualité de ses réponses dépend des données d'entraînement : nombre, variété et qualité des exemples de chaque catégorie.
• Un modèle répond toujours, même face à un cas qu'il n'a jamais vu ou qui est ambigu : il choisit une catégorie et peut se tromper.
• Pour juger un modèle, on le teste sur des exemples qui n'ont pas servi à l'entraînement.

Dans cette activité : un modèle entraîné à reconnaître trois matériaux de déchets à partir de tes propres images.

Grille d'évaluation

Tester une IA — entraînement d'un modèle

Production attendue : les captures du modèle entraîné, le décompte des tests et les deux hypothèses d'erreur, déposés dans OneNote à destination de Mme Le Bihan, plus les réponses aux questions de synthèse.

Critère	Indicateurs observables	-- (insuffisant)	- (fragile)	+ (satisfaisant)	++ (très bonne maîtrise)
Données et entraînement	Nombre de catégories du modèle Nombre d'images par catégorie Absence de personne sur les images Images rangées dans un dossier par matériau	Le modèle n'est pas entraîné, ou une seule catégorie contient des images.	Le modèle est entraîné, mais il a moins de 3 catégories ou au moins une catégorie contient moins de 10 images.	Le modèle est entraîné sur 3 catégories de matériaux contenant chacune au moins 10 images d'objets, sans personne ni visage, rangées dans un dossier par matériau.	Comme le niveau +, et chaque catégorie réunit des objets différents (pas 10 images du même objet).
Tests du modèle	Nombre de tests sur des images nouvelles Présence d'images ambiguës Résultat noté pour chaque test	Aucun test n'est noté, ou les tests portent sur des images utilisées pour l'entraînement.	Entre 1 et 4 tests sont notés sur des images nouvelles, ou aucune image ambiguë n'est testée.	Au moins 5 tests sont notés sur des images nouvelles, dont 2 ambiguës, chacun avec la catégorie proposée et son résultat (juste ou faux) ; captures déposées dans OneNote.	Comme le niveau +, et le nombre de bonnes réponses est indiqué sur le total des tests.
Analyse des erreurs	Nombre de cas d'erreur capturés Hypothèse liée aux images fournies Réponses aux questions de synthèse	Aucun cas d'erreur n'est relevé, ou aucune hypothèse n'est formulée.	Un seul cas d'erreur est capturé, ou les hypothèses ne renvoient pas aux images fournies (ex. « le modèle est nul »).	Deux cas d'erreur sont capturés (image et résultat affiché) avec, pour chacun, une hypothèse appuyée sur les images fournies à une catégorie ; les questions de synthèse citent des éléments de son modèle.	Comme le niveau +, et la réponse à la dernière question de synthèse relie le nombre ou la variété des exemples fournis à la difficulté du modèle face à un cas ambigu, à partir de ses propres résultats.