Apprendre comme un ordinateur

(5 minutes) Partons en pique-nique

Nous allons jouer à un jeu ! Nous allons découvrir ce qu’on peut et ce qu’on ne peut pas emporter lors d’un pique-nique.

Disposez les apprenants en cercle, par groupes d’environ 10 personnes.

Choisissez un apprenant qui sera l'organisateur du pique-nique. Demandez-lui de choisir une règle que tous les objets apportés au pique-nique doivent respecter. Par exemple, la règle pourrait être que l'objet doit être jaune. Assurez-vous que personne d'autre dans le cercle ne connaisse cette règle !

Le formateur doit revenir dans le cercle et commencer par dire : « J'apporte à mon pique-nique. » Il faut remplir le vide avec un objet qui respecte la règle qu'il a créée. Faites le tour du cercle, un apprenant à la fois. Chaque apprenant dit : « Puis-je apporter _ à ton pique-nique ? ». L'organisateur du pique-nique doit répondre par « oui » ou « non ». Le jeu doit se poursuivre jusqu'à ce que tous les apprenants aient découvert la règle. Rappelez aux apprenants qui ont découvert la règle qu'ils ne doivent pas la révéler.

(5 minutes) Parlons un peu de l'apprentissage !

Demandez : Quelles sont les façons dont vous aimez apprendre ?

Les ordinateurs ont eux aussi une méthode d'apprentissage préférée : c'est l'essai et l'erreur ! Les ordinateurs adorent apprendre de leurs erreurs !

Dessinez un chiffre sur un tableau ou une feuille de papier et montrez-le aux apprenants. Demandez : « Quel est ce chiffre ? » Poursuivez en demandant : « Comment le savez-vous ? » (R : « Parce que j’ai vu ce chiffre mille fois. »)

Demandez : « Qui a déjà entendu parler de l’apprentissage automatique ou de l’intelligence artificielle ? »

Demandez : « Qu’est-ce que l’apprentissage automatique ? » (R : Voir la terminologie)

Vous pouvez également montrer cette courte vidéo aux apprenants : AI 101 What is Machine Learning.

Le processus d’apprentissage basé sur des données et le retour d’information humain s’appelle l’apprentissage supervisé.

Demandez : « Comment avez-vous fait votre première supposition ? » (R : « C’était au hasard ! ») Les algorithmes d’apprentissage automatique font la même chose : leurs suppositions initiales sont totalement aléatoires. En effet, ils ne disposent pas d’informations suffisantes pour émettre une hypothèse éclairée.

Demandez : « Quelles tendances recherchiez-vous pour décider quoi emporter au pique-nique ? » (R : En remarquant une tendance parmi les articles autorisés pour le pique-nique). C'était un peu comme relier des points : après avoir établi suffisamment de liens dans votre tête, vous pouviez deviner le thème. C'est exactement ainsi que fonctionnent les algorithmes d'apprentissage automatique, tels que les réseaux neuronaux.

L'apprentissage supervisé est le processus par lequel un algorithme apprend en observant de nombreux exemples (données). L'algorithme recherche ensuite des modèles dans les données pour comprendre ce qu'il observe.

(10 minutes) - « Chaud ou froid »

Dans ce jeu, nous allons découvrir comment les machines apprennent à trouver les meilleures solutions aux problèmes.

Demandez : De quelles manières voyons-nous les machines s'efforcer de trouver des solutions aux problèmes actuels ?

Choisissez un objet dans la classe et un élève qui jouera le rôle de la « machine » qui va apprendre. Demandez à cet élève de se couvrir les yeux pendant que les autres cachent l'objet.

Une fois l'objet caché, la « machine » ouvrira les yeux et commencera à chercher l'objet caché. Les autres élèves guideront la « machine » en disant « plus froid » lorsqu'elle s'éloigne ou « plus chaud » lorsqu'elle se rapproche de l'objet caché. Le jeu se termine lorsque l'élève trouve l'objet caché.

(5 minutes) – Réflexion

Demandez : Comment l'apprenant a-t-il commencé ses recherches ?

Au début, on peut commencer au hasard si l'on n'a qu'une vague idée de l'emplacement de l'objet, mais après plusieurs parties, on a probablement déjà une intuition sur l'endroit où chercher en premier. Les ordinateurs apprennent de manière très similaire : s'ils ne connaissent pas l'environnement, ils se contenteront au départ de deviner. Cependant, s'ils ont déjà vu la même pièce auparavant, leurs suppositions seront peut-être plus pertinentes et ils trouveront l'objet beaucoup plus rapidement ! Jouer plusieurs fois au jeu dans différentes pièces aidera les ordinateurs à résoudre ce problème de plus en plus rapidement. Ce type d’apprentissage est très courant, par exemple chez les robots qui doivent se déplacer et agir dans des environnements réels.

Demandez : Comment notre « machine » a-t-elle trouvé l’objet ? (R : En suivant nos indices indiquant qu’elle se rapprochait)

Demandez : « Quand nous leur avons dit qu’ils étaient « trop loin », pourquoi n’ont-ils pas continué à chercher dans cette zone ? »

Remarquez qu’une fois qu’une direction devient trop « loin », le joueur exclut cette partie de la pièce et n’y retourne pas. Cela signifie que la partie de la pièce qu’il doit fouiller devient de plus en plus petite. Au fil du temps, elle deviendra si petite que le joueur finira par trouver l’objet.

Ce jeu illustre comment une machine peut apprendre à partir d'un retour d'information lié à ses actions. C'est ce qu'on appelle l'apprentissage par renforcement, un principe très similaire à la manière dont nous dressons nos animaux de compagnie : nous les récompensons lorsqu'ils se comportent bien afin qu'ils s'améliorent au fil du temps. Dans ce jeu, nous avons fourni des indices et des encouragements en guise de « récompense » jusqu'à ce que notre « machine » trouve l'objet caché.

L'apprentissage par renforcement diffère de l'apprentissage supervisé, car il interagit avec l'environnement et non avec des données existantes. L'apprentissage par renforcement vise à maximiser la récompense potentielle ! "

Fournissez des fiches imprimées contenant du vocabulaire ou des définitions que les élèves pourront trier, associer ou afficher dans la classe afin de faciliter leur compréhension avant de participer aux jeux.