Nous construisons un robot de tri des déchets

Description

Dans cette séquence, les élèves construisent en petits groupes un robot de tri des déchets, capable de distinguer trois types de déchets. Ils rassemblent leurs propres photos d’exemples, entraînent un modèle avec celles-ci, puis testent mutuellement quel robot reconnaît les déchets de la manière la plus fiable. En cas d’erreur, ils cherchent la cause et découvrent ainsi, de façon très concrète, à quel point des données de bonne qualité et variées sont importantes pour une machine.

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.

Déroulement

Pour commencer, l’enseignant·e montre une image ou une courte vidéo d’une vraie installation de tri et demande comment une machine peut bien savoir ce qui est quoi. Lors de la planification, chaque groupe choisit trois types de déchets, par exemple bouteille en PET, papier et canette en alu, et réfléchit aux objets et aux images dont il a besoin. Pour la collecte des données, les groupes prennent avec la webcam le plus d’images possible par catégorie. Il en faut environ trente, prises sous différents angles, idéalement avec et sans la main dans l’image. Ensuite, ils entraînent leur modèle et le testent avec de nouveaux objets, volontiers aussi avec ceux apportés par les autres groupes. Lors de la réflexion, ils discutent de la catégorie souvent confondue, de la raison de ces erreurs et de la manière d’améliorer le taux de réussite.

Remarque didactique

Dans ce cycle, la phase de réflexion est centrale, car c’est là que les élèves découvrent des problèmes typiques. Par exemple, si toutes les photos d’exemples ont été prises avec la même main, l’ordinateur reconnaîtra ensuite la main, et non l’objet. Ces observations mènent à des discussions intéressantes sur l’équité, les préjugés et la qualité des données. Elles offrent une entrée concrète dans l’éthique de l’IA.

Pistes de discussion

Pourquoi le robot confond-il certains objets ? Et que devons-nous changer dans nos exemples pour qu’il les reconnaisse de manière plus fiable ?

Matériel

Par groupe, un ordinateur ou une tablette avec webcam et accès à Internet, ainsi que des objets du quotidien apportés pour les types de déchets choisis. Les élèves travaillent par deux ou par trois.

vers l'application

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.

Référence

Selon : Maxime Lammar, enseignant du primaire et collaborateur du projet pratique EduTransform au niveau primaire