Exercices — De la machine de Turing à l'intelligence artificielle

1. Une page occupe :

$3\ 000 \times 1 = 3\ 000\ \text{octets} = 3\ \text{ko}$

2. Le roman entier occupe :

$300 \times 3\ 000 = 900\ 000\ \text{octets} = 900\ \text{ko}$

soit un peu moins de 1 Mo (mégaoctet).

3. Une seule photo (quelques Mo) pèse plus lourd qu’un roman entier ; une heure de vidéo (quelques Go) équivaut à des milliers de romans. Le texte est très économe : ce sont les images et surtout les vidéos qui remplissent nos mémoires et saturent les réseaux. D’où l’enjeu de la compression.

Réflexe à retenir : la chaîne des unités — 1 ko = $10^3$ octets, 1 Mo = $10^6$ octets, 1 Go = $10^9$ octets. Texte : ko. Image : Mo. Vidéo : Go.

1. Ce sont les données d’entraînement : l’algorithme repère une tendance (ici une corrélation entre température et locations) sur des données connues, pour ensuite faire des prédictions sur de nouvelles données. C’est le principe de l’apprentissage automatique.

2. Pour $x = 20$ :

$y = 12 \times 20 + 40 = 280\ \text{locations}$

3. Pour $x = 42$ :

$y = 12 \times 42 + 40 = 544\ \text{locations}$

Ce résultat n’est pas crédible : par canicule, on loue sans doute MOINS de vélos, pas davantage ! La courbe a été construite sur des températures « habituelles » : en dehors de ce domaine, la tendance n’a aucune raison de se prolonger. Un modèle ne vaut que sur le domaine couvert par ses données d’entraînement — extrapoler au-delà mène à des prédictions absurdes.

Réflexe à retenir : avant d’utiliser une prédiction, demande-toi toujours si la valeur demandée ressemble aux données qui ont servi à entraîner le modèle.

1. Malades : $1\ 000 \times 0{,}04 = 40$ personnes. Saines : $1\ 000 - 40 = 960$ personnes.

2. Chez les malades : $40 \times 0{,}90 = 36$ positifs (et 4 négatifs). Chez les sains : $960 \times 0{,}05 = 48$ positifs (et 912 négatifs).

3. Un faux positif est une personne saine dont le test est positif : il y en a 48. Un faux négatif est une personne malade dont le test est négatif : il y en a 4. (Les 36 malades testés positifs sont les vrais positifs, les 912 sains testés négatifs les vrais négatifs.)

4. Parmi les 84 tests positifs :

$\frac{36}{84} \approx 0{,}43 = 43\ \%$

Moins d’une personne testée positive sur deux est réellement malade ! Comme la maladie est rare, les faux positifs (48), prélevés sur la grande masse des sains, dépassent les vrais positifs (36). C’est le principe de l’inférence bayésienne : remonter des effets (le test) aux causes (la maladie). Ce raisonnement s’applique aussi aux filtres anti-spam ou à la reconnaissance d’images.

Réflexe à retenir : « le test est fiable à 90 % » ne signifie PAS « 90 % des positifs sont malades ». Construis toujours le tableau de contingence avant de conclure.

1. Les données d’entraînement sont les recrutements passés de l’entreprise (10 000 dossiers sur 20 ans). L’IA y a repéré des corrélations entre certains indices présents dans les dossiers (prénoms, activités…) et la décision d’embauche : les dossiers « masculins » étaient plus souvent retenus.

2. L’apprentissage automatique ne suit pas des règles écrites par un humain : l’algorithme améliore ses prédictions en imitant les tendances des données. Comme les données reflétaient une pratique discriminatoire, l’IA a appris — puis amplifié — ce biais. La qualité et la représentativité des données sont essentielles : des données biaisées donnent une IA biaisée.

3. Non : un prénom n’a jamais causé une embauche. L’algorithme confond corrélation et causalité : il traite comme des critères de choix des indices simplement corrélés aux décisions passées. C’est une des grandes limites de l’apprentissage automatique : il repère des régularités, pas des causes.

4. Le problème éthique : l’IA discrimine des personnes selon leur genre, de façon opaque (personne n’a explicitement programmé ce critère) et à grande échelle, ce qui peut être contraire au droit. Précautions possibles : auditer les données d’entraînement pour vérifier leur représentativité, tester les décisions de l’IA sur des candidatures identiques ne différant que par le genre, et maintenir une supervision humaine des décisions finales.

Réflexe à retenir : au bac, la grille d’analyse d’une IA tient en trois questions — quelles données ? quelles corrélations ? quels biais et enjeux éthiques ? Applique-la à n’importe quel exemple qu’on te donne.