Nous construisons notre propre projet d'IA
En groupes, les élèves développent leur propre prototype d'IA, utile dans la vie réelle, avec l'outil web gratuit « Teachable Machine ». Ils parcourent ainsi tout le processus de développement : de l'analyse du problème à la réflexion éthique, en passant par la collecte des données et l'entraînement.
Description
Dans cette séquence, les élèves réalisent en groupes de projet une application d’IA de leur choix, qui doit avoir une réelle utilité. De l’idée à la présentation, en passant par la collecte des données, l’entraînement, l’analyse des erreurs et l’optimisation, ils parcourent tout le processus de développement. Ils réfléchissent aussi de manière critique aux biais, à la protection des données et à la responsabilité.
Qu’est-ce que Teachable Machine ?
Teachable Machine est un outil web gratuit de Google Experiments. Il permet d’entraîner un ordinateur à reconnaître des images, des sons ou des postures, sans connaissances en programmation. L’application fonctionne directement dans le navigateur, sans installation ni inscription. Le déroulement suit trois étapes simples. D’abord, on rassemble des exemples et on les charge dans le navigateur par webcam, par micro ou à partir de fichiers existants. Ensuite, l’intelligence artificielle entraîne le modèle en un seul clic. Enfin, on peut tester le résultat directement dans le navigateur ou l’exporter. Le fonctionnement de l’apprentissage automatique devient ainsi immédiatement concret pour les élèves.
Idées de projets possibles
Un ordinateur qui identifie les plantes ou les animaux du jardin de l’école, un détecteur d’instruments qui reconnaît les instruments à leur son, ou un assistant pour les personnes en situation de handicap. En option, le modèle terminé peut être exporté sous forme d’extrait de code et intégré dans une page web simple.
Déroulement sur plusieurs leçons
Pour commencer, l’enseignant·e présente les bases de l’apprentissage automatique, fait une démonstration de Teachable Machine et guide la formation des groupes ainsi que le brainstorming. Ensuite, les groupes élaborent un plan de projet avec le problème, le public cible et les catégories. Puis ils rassemblent des données, entraînent leur modèle et effectuent de premiers tests. Lors de l’analyse des erreurs, ils repèrent le surapprentissage (overfitting) et optimisent leur modèle. Suit une réflexion éthique sur les biais, la protection des données et la responsabilité, par exemple à partir de cas concrets d’IA discriminante. Pour terminer, les groupes présentent leur projet et se donnent mutuellement un retour.
Remarque didactique
Dans ce cycle, l’approche critique des outils d’IA joue un rôle central. Teachable Machine est volontairement considéré comme un outil de prototypage. Les élèves doivent comprendre que des systèmes d’IA connus comme ChatGPT nécessitent des quantités de données beaucoup plus grandes et des contrôles de qualité bien plus rigoureux. C’est l’occasion d’introduire des notions comme données d’entraînement, modèle, classification, biais et surapprentissage.
Pistes de discussion
Quelles sont les limites de notre prototype ? Et quelle responsabilité portons-nous si un tel modèle était utilisé dans la vie réelle ?
Matériel
Par groupe, un ordinateur ou une tablette avec webcam ou micro et accès à Internet, ainsi que les objets, images ou sons nécessaires au projet choisi.
Remarque sur la protection des données
Selon Google, Teachable Machine traite les données d’entraînement localement dans le navigateur. Mais lors d’un export ou d’un enregistrement dans Google Drive, elles peuvent quitter l’appareil. Les visages, les voix ou les objets personnels sont donc délicats. Règle de base : n’entraîner l’outil qu’avec ce qui pourrait aussi être montré publiquement. Dans la mesure du possible, on utilise des objets neutres du quotidien plutôt que des visages. Avant d’utiliser la caméra ou le micro, on demande l’accord des élèves ou de leurs parents. La protection des données devient ainsi elle-même un sujet d’apprentissage.