Un neurone apprend sous vos yeux
Apprendre à un modèle à classer des points. Puis manipuler un petit réseau fictif.
Un modèle peut apprendre à classer à partir d’exemples.
Place des points bleus et orange. Entraîne un neurone à les séparer. Ici, il classe des points : il ne produit pas de texte.
Note pour l'enseignant
Objectif : découvrir l’apprentissage supervisé. Les exemples portent la réponse attendue : bleu ou orange. D’autres IA utilisent des règles explicites.
Prolongement : comparer cet apprentissage à celui des LLM. Un neurone n’explique pas à lui seul tout un modèle de langage.
Second onglet : un réseau fictif dont les poids sont choisis à la main. Il montre un calcul, pas un apprentissage sur des données météo.
Le modèle part au hasard : les réglages sont aléatoires. L’entraînement déplace la ligne pour réduire les erreurs.
tour 0
Les coulisses : les 3 nombres du modèle
Ce modèle a trois réglages, ajustés à chaque tour :—
Ce qui vient de se passer
Les couleurs donnent la réponse attendue pour chaque exemple. Le modèle ajuste ses trois réglages pour réduire ses erreurs. La vitesse d’apprentissage règle l’ampleur des corrections.
À essayer aussi (pour aller plus loin)
- Ajouter un point bleu au milieu des oranges. Parfois, aucune ligne droite ne sépare tout. D’autres modèles, dont des réseaux avec des fonctions non linéaires, peuvent tracer des frontières plus complexes.
- Le fond coloré montre comment le modèle classerait un nouveau point. Pour savoir s’il généralise bien, il faut le tester sur des exemples non utilisés à l’entraînement.
Voici un réseau fictif sur le thème de la pluie. Ses réglages ont été choisis pour l’exercice. Ce n’est pas une prévision météo.
Régler les observations avec les curseurs, et cliquer sur une flèche pour modifier son poids : la prédiction change en direct.
Flèche verte : poids positif (renforce le neurone suivant). Flèche rose : poids négatif (freine). Plus elle est épaisse, plus le poids est fort. Son effet dépend aussi de la valeur reçue. Les points qui circulent montrent les signaux.
Les observations (entrées)
Score du réseau fictif
—
Négatif = la connexion freine ; positif = elle pousse.
À essayer
- Mettre le ciel couvert et l'humidité à fond, puis à zéro : suivre les signaux qui circulent.
- Repérer la flèche rose « Vent → Temps gris ». Dans cet exemple fictif, son poids est négatif. Le passer en positif et observer l’effet.
- Rendre négative la flèche « Ciel couvert → Temps gris ». La sortie change : le signe du poids compte.
- Chercher les réglages qui font hésiter le réseau autour de 50 %.
Honnêteté du schéma
Les noms des neurones aident à lire ce schéma fictif. Dans un réseau entraîné, les rôles ne sont généralement pas nommés ainsi. L’information peut être répartie entre plusieurs neurones.
À retenir
Apprendre : ajuster les réglages à partir d’exemples. Utiliser le modèle : calculer une réponse avec ces réglages. Ce sont deux étapes différentes.
Références
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (chap. sur la descente de gradient)
- Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain
- Artefact'IA (E. Gaunard, DRANE Grenoble) (2025). Chapitre « Comment un modèle apprend » — activité dont ce module est adapté