Romane a raté la cible dix-sept fois avant de la toucher.
Elle comptait. Elle voulait absolument compter. Après chaque raté, elle observait où son bouchon avait atterri, elle réfléchissait une seconde, et elle recommençait différemment.
Au dix-septième essai, le bouchon a touché le cercle du milieu. Elle a levé les bras.
Comment une IA apprend à ne plus se tromper
Une IA n'apprend pas comme on étudie une leçon. Elle apprend en ratant, en se faisant corriger, et en ajustant.
Au départ, elle ne sait rien. Si on lui demande de reconnaître un chat sur une photo, elle répond au hasard. Puis on lui dit si elle a eu raison ou tort. Elle ajuste légèrement sa façon de regarder les images. On recommence. Elle rate encore. On la corrige encore. Elle ajuste encore.
Ça s'appelle la rétropropagation. L'idée derrière : chaque erreur dit quelque chose sur comment s'améliorer. Rater n'est pas le problème. C'est le moteur.
Ce qui change tout, c'est le nombre d'essais. Un enfant apprend à viser en quelques dizaines de lancers. Une IA peut avoir besoin de millions d'exemples pour reconnaître un chat. Ce qui nous prend une heure peut lui prendre des semaines de calcul.
L'activité
On dessine une cible sur une grande feuille : trois cercles, un point au centre. On la pose au sol ou on l'accroche au mur.
Chaque joueur dispose de dix objets identiques à lancer, un par un, depuis la même distance.
La règle : après chaque lancer, on regarde où l'objet a atterri, et on décide comment ajuster le suivant. On ne lance pas en rafale. On observe, on réfléchit, on recommence.
On note le nombre d'essais avant de toucher la cible, ou on mesure la distance à la cible après chaque essai.
À mi-chemin, on pose la question : "Qu'est-ce que tu changes à chaque fois ? Comment tu sais quoi changer ?"
La plupart répondent sans réfléchir : trop fort, trop à gauche, trop haut. C'est exactement ce qu'on donne à une IA quand on la corrige.
Deuxième manche : on bande les yeux. On lance sans regarder où ça tombe. On ne donne aucun retour. Le nombre d'essais avant de toucher la cible explose. Ou on ne touche jamais.
C'est une IA à qui on ne dit plus si elle a raison ou tort. Elle continue de répondre, mais elle n'apprend plus rien.
Ce qui s'est vraiment passé
Romane avait une stratégie. Elle lançait doucement le premier coup pour avoir un point de repère, puis elle ajustait progressivement. Elle a dit que c'était "comme apprendre à vélo mais en plus long". J'aurais pas dit mieux.
La manche les yeux bandés l'a frustrée. Elle trouvait ça injuste. "Sans savoir si je touche, je peux pas m'améliorer." Exactement.
Meryl participait à sa façon. Il avait récupéré tous ses bouchons dans ses deux mains et les a tous lancés en même temps, d'un grand geste large. Certains ont touché la cible par hasard. Il était ravi. Il a recommencé.
J'ai essayé d'expliquer que ça ne marchait que si un avait touché par hasard, et que la prochaine fois il ne saurait pas lequel c'était. Il a haussé les épaules. "Le rouge." Il désignait un bouchon rouge qui avait atterri près du centre.
Peut-être qu'il avait une stratégie aussi.
À la fin, Romane a demandé combien d'essais une IA avait besoin pour apprendre à reconnaître un chien.
J'ai dit : des millions.
Elle a regardé sa cible. "C'est long."