Étiqueter les données
Pour apprendre, une machine a besoin d’exemples, et de quelqu’un qui lui dise ce qu’ils représentent. C’est l’étiquetage. Pour les premières IA, des milliers de personnes l’ont fait à la main. À ton tour : étiquette 12 photos.
Photo 1 sur 12 · tu peux aussi utiliser les flèches du clavier.
0 chat · 0 chien
ImageNet : 14 millions d’images étiquetées à la main, publiées en 2009. En 2012, une IA entraînée dessus a battu tous les records de reconnaissance d’images.
Une étiquette fausse sera apprise comme une vraie. La machine n’a aucun moyen de savoir qu’on s’est trompé.
Dans ce labo, 48 photos en tout. Les vraies IA en utilisent des millions.
Ce que voit la machine
La machine ne sait pas ce qu’est une oreille, un œil ou un museau. Elle découpe la photo en 64 cases et, dans chacune, mesure une seule chose : dans quel sens vont les contours, et avec quelle force. Fais glisser le curseur pour passer de ta vue à la sienne.
Comment lire sa vue
Chaque petit trait est un contour. Plus il est lumineux, plus le contour est fort. Les colonnes 3D montrent les cases les plus chargées en contours. Regarde les oreilles d’un chat : deux bords obliques bien nets, en haut de l’image. Sur un chien aux oreilles tombantes, les traits sont plutôt verticaux, sur les côtés.
64 cases × 8 directions = 512 nombres. C’est tout ce que la machine reçoit pour chaque photo.
Elle ne « voit » ni la couleur ni le sourire, seulement des contours. Les vraies IA mesurent des milliers de choses bien plus fines, mais le principe est le même : des nombres.
L’entraînement
Plus d’exemples, moins d’erreursOn a mis de côté 16 photos d’examen que la machine ne verra jamais pendant l’entraînement. Donne-lui des photos étiquetées, une par une. À chaque fois, elle s’entraîne sur tout ce qu’elle a reçu, puis repasse l’examen. Regarde les ✓ remplacer les ✗.
La machine n’a encore rien vu.
Sans aucune photo apprise, elle répond au hasard : en moyenne 8 sur 16.
Avec 2 photos, elle a très peu d’indices et se trompe souvent. Avec 32, beaucoup moins. C’est pour ça que les IA ont besoin de montagnes de données.
Les couleurs sur la photo : rose là où elle a vu un indice de chat, bleu là où elle a vu un indice de chien.
Pourquoi un examen à part ? Sur les photos qu’elle a apprises, elle a toujours juste. Seules des photos jamais vues montrent si elle a vraiment appris.
Les biais
De mauvaises données, une machine qui se trompeUne machine apprend tout ce que contiennent ses données, y compris leurs défauts. Suis les trois étapes.
Des données déséquilibrées
On entraîne la machine avec 24 chats et 16 chiens. Mais tous ces chiens ont les oreilles tombantes.
L’examen piège
On lui montre 8 chiens aux oreilles pointues, qu’elle n’a jamais vus.
Corriger les données
On ajoute 4 de ces chiens aux oreilles pointues dans l’entraînement, puis on teste sur les 4 autres.
Pourquoi elle se trompe
Pendant l’entraînement, des contours en pointe en haut de la photo étaient toujours là sur un chat, jamais sur un chien. La machine en a fait une règle. Elle n’a aucune idée de ce qu’est une oreille : elle a juste retenu ce qui marchait sur ses données.
Ce défaut s’appelle un biais. La machine a pris un raccourci qui marchait à tous les coups sur ses données.
Les vraies IA ont les mêmes pièges. Des systèmes de reconnaissance faciale se trompent plus souvent sur les visages à peau foncée, parce qu’ils en avaient moins vu pendant l’entraînement.
Pour corriger, il faut des données variées et des humains qui les vérifient. La machine seule ne voit pas le problème.
Apprendre à nettoyer une photo
Pour créer des images, on entraîne une autre machine à un seul exercice : retrouver la neige qu’on a ajoutée sur une photo. Ça paraît bizarre d’abîmer exprès. Tu vas voir que c’est l’idée clé.
On abîme une photo, exprès
On ajoute de la neige, en choisissant la dose. Comme c’est nous qui l’avons ajoutée, on sait exactement quelle neige est là.
La machine essaie de deviner cette neige
On lui montre seulement la photo abîmée. Elle doit dire quelle neige a été ajoutée. Si elle devine bien, il suffit de l’enlever pour retrouver la photo.
On corrige automatiquement, des millions de fois
On compare sa réponse à la vraie neige et on règle ses poids. Personne n’a besoin de corriger à la main : la bonne réponse est connue d’avance.
(ce que la machine reçoit)
par la machine
(abîmée − neige devinée)
Pourquoi abîmer exprès ?
Pour fabriquer des exercices dont on connaît la réponse. Avec une seule photo, on peut créer des milliers d’exercices, du plus facile (un peu de neige) au plus dur (que de la neige). La machine s’entraîne seule, sans humain pour corriger. Une fois experte, elle sait enlever un peu de neige sur n’importe quelle image. C’est ce talent qui va lui permettre de créer.
Créer à partir du bruit
Le tour de magie, expliqué. On donne à la machine experte une image faite à 100 % de neige, sans aucune photo dessous, et une phrase : « un chat ». Elle fait la seule chose qu’elle sait faire : deviner un peu de neige et l’enlever. Puis elle recommence. 40 fois. Avance étape par étape.
Et la graine ?
La graine, c’est le numéro du tirage au sort de la neige de départ. Même graine : même neige, donc même image. Autre graine : les petits hasards de la neige penchent ailleurs, et la machine arrive à une autre image.
Simulation : ici, les images d’arrivée sont des photos et des dessins existants, recouverts de neige puis nettoyés selon les mêmes étapes qu’un vrai modèle. Un vrai modèle de diffusion, lui, arrive à une image nouvelle qui n’existait pas.
1. Des données
Une IA apprend à partir d’exemples étiquetés par des humains. Plus ils sont nombreux et variés, mieux elle apprend.
2. Des nombres
Elle ne voit que des nombres et retient ce qui marche sur ses données, y compris leurs défauts : les biais.
3. Du bruit
Entraînée à nettoyer, elle part d’une neige pure et la retire étape par étape, guidée par ta phrase.