Atelier découverte · Intelligence artificielle
Apprendre par l’exemple : la machine qui reconnaît les manchots
Des scientifiques ont mesuré le bec de 342 manchots, en Antarctique. Montre quelques-uns de ces manchots à une machine. Elle n’a pas d’yeux et ne sait rien des oiseaux : pour reconnaître un nouveau manchot, elle cherche l’exemple qui lui ressemble le plus. Découvre quand elle a raison, quand elle se trompe, et pourquoi.
- Adélie
- à jugulaire
- papou
- plein : exemple vu
- pâle : pas encore vu
- manchot mystère
- contour épais : manchot du test
- étiquette fausse
Flèches : passer d’un manchot à l’autre. Entrée : le montrer à la machine ou le retirer ; pour un manchot du test, voir ce qu’en dit la machine.
Palier 1 · DécouvrirUne machine qui compare
Ce que les scientifiques ont mesuré CM1
Trois espèces de manchots vivent dans l’archipel Palmer, en Antarctique : le manchot Adélie, le manchot à jugulaire et le manchot papou. De 2007 à 2009, des scientifiques en ont mesuré 342. L’atelier garde deux mesures de leur bec : sa longueur et sa hauteur, en millimètres.
Sur le banc, chaque manchot est un point. Sa longueur de bec se lit sur l’axe du bas, sa hauteur sur l’axe de gauche. Un carreau du quadrillage vaut 2 mm en longueur et 1 mm en hauteur.
- Repère les trois groupes : ronds orange (Adélie), triangles violets (à jugulaire), carrés bleus (papous).
- Les formes pleines sont les exemples que la machine a vus : 3 seulement, pour commencer. Les contours pâles sont des manchots qu’elle n’a pas encore vus.
Sur le banc, quelle espèce a le bec le plus court et le plus haut ?
Oui : les ronds orange sont à gauche (bec court) et en haut (bec haut).
Les triangles violets sont bien en haut, mais regarde l’axe du bas : sont-ils à gauche ou à droite ? À droite, le bec est long.
Les carrés bleus sont en bas : leur bec est le moins haut des trois. Cherche le groupe en haut à gauche.
La machine devine CM1
Touche « Nouveau manchot » : un manchot que la machine n’a jamais vu apparaît, le losange blanc. La machine ne connaît que ses exemples. Elle cherche l’exemple le plus proche du losange, à vol d’oiseau, et répond : « c’est la même espèce que lui ». Le trait pointillé relie le losange à cet exemple.
- Touche « Nouveau manchot » plusieurs fois. Lis la réponse de la machine, puis la vraie espèce.
- Touche un manchot pâle : il devient un exemple. Touche-le encore : il redevient pâle.
- Regarde les zones de couleur : elles changent quand tu ajoutes un exemple.
Après quelques manchots, complète.
Pour deviner, la machine regarde et donne l’espèce de .
Il reste un trou à remplir.
La machine ne connaît que ce que tu lui as montré : les formes pleines. Les manchots pâles, elle ne les a pas vus.
La machine n’a ni photo ni yeux : seulement deux nombres par manchot, la longueur et la hauteur du bec.
Suis le trait pointillé : va-t-il vers l’exemple le plus grand, ou vers le plus près du losange ?
Au départ, la machine a un exemple de chaque espèce : aucune n’est plus nombreuse, et pourtant elle choisit. Suis le trait pointillé.
C’est ça. Elle ne « reconnaît » rien : elle compare des nombres.
Comparer avec la règle
La machine du plus proche voisin donne au nouveau manchot l’espèce de l’exemple qui lui ressemble le plus, c’est-à-dire le plus proche sur le dessin.
Elle peut se tromper CM1
Avec 3 exemples seulement, la machine se trompe souvent. Pour savoir combien, on lui fait passer un test : 10 manchots qu’elle n’a jamais vus, et dont on connaît l’espèce.
- Touche « Faire passer le test ». Les 10 manchots du test apparaissent avec leur vraie forme : une coche si la machine a trouvé, une croix si elle s’est trompée.
- Montre-lui d’autres exemples : le score change à chaque fois.
Que montrent les zones de couleur ?
Le dessin n’est pas une carte : ses axes sont des mesures de bec, pas des distances sur la Terre.
Oui. Un manchot qui tombe dans la zone bleue sera appelé « papou », même si c’est un Adélie. Les zones changent dès que la machine voit un nouvel exemple.
Fais passer le test et regarde un manchot marqué d’une croix : sa forme dit sa vraie espèce. Est-il dans la zone de sa couleur ?
Palier 2 · ComprendreBons exemples, bon score
Les badges comme 6e disent où chaque notion se trouve dans le programme. Ce n’est pas une limite : si tu as compris, continue !
Plus d’exemples, mieux placés CM2
Avec les 3 exemples du départ, la machine fait 6 sur 10 au test. Elle se trompe surtout près des frontières entre deux espèces, là où l’exemple le plus proche est loin.
- Fais passer le test, puis montre à la machine un exemple tout près de chaque manchot raté, de la même espèce que lui.
- Touche « Tous les manchots » : la machine voit d’un coup tous les manchots mesurés qui ne sont pas dans le test. Essaie le test de 10, puis celui de 20.
Ton pronostic : avec tous les manchots comme exemples, au test de 10, la machine aura…
C’est noté. Résultat sur le banc : 9 sur 10 au test de 10, et 18 sur 20 au test de 20. Bien mieux qu’avec 3 exemples, mais un manchot reste mal reconnu. Pourquoi ? C’est la suite.
Le manchot qui ressemble à une autre espèce CM2
Certains manchots ont un bec qui ressemble à celui d’une autre espèce. Sur ces deux mesures, la machine ne peut pas les distinguer : elle les place dans la zone de l’autre espèce, même avec beaucoup d’exemples.
Un spécialiste des oiseaux, lui, regarde aussi la tête : le manchot à jugulaire a une fine bande noire sous la tête (sa « jugulaire »), le papou une tache blanche au-dessus de l’œil et un bec orange, l’Adélie un cercle blanc autour de l’œil. La machine n’a que deux nombres par manchot.
Pour mieux reconnaître ces manchots-là, que faudrait-il surtout donner à la machine ?
La machine ne réfléchit pas : elle mesure des distances, et le résultat est le même à chaque fois. Avec les deux mêmes nombres, elle refera la même erreur.
Oui. Si deux espèces se ressemblent sur deux mesures, il faut des mesures qui les séparent. Les scientifiques ont aussi mesuré la nageoire et la masse de ces manchots ; l’atelier ne garde que le bec.
Le score serait plus beau, mais la machine ne reconnaîtrait pas mieux les vrais manchots. Le test sert à mesurer, pas à faire plaisir.
Le score en pourcentage 6e
pourcentage = bonnes réponses ÷ manchots du test × 100
Exemple : 7 bonnes réponses sur 10. 7 ÷ 10 = 0,7, et 0,7 × 100 = 70 : la machine a 70 % de bonnes réponses.
Un pourcentage, c’est « sur 100 ». Sur 10 manchots, chacun compte pour 10 points de pourcentage ; sur 20 manchots, pour 5 points.
Écris toujours le nombre de manchots à côté : 9 sur 10, c’est 90 %, mais sur un si petit test, un seul manchot de plus ou de moins change le score de 10 points.
La machine A a 9 bonnes réponses sur 10, la machine B en a 85 sur 100. Quel score est le plus sûr ?
90 % est bien plus que 85 %. Mais A n’a passé que 10 manchots : avec un raté de plus, elle tomberait à 80 %. Lequel des deux tests est le plus long ?
Oui. 85 sur 100 repose sur dix fois plus de manchots : un raté de plus ne le fait baisser que d’un point. Un score sur 10 bouge de 10 points à chaque manchot.
Les pourcentages ne sont pas égaux, et les tests non plus : 10 manchots d’un côté, 100 de l’autre. Lequel bouge le moins quand un seul manchot change ?
Palier 3 · Aller plus loinLe vote des voisins
k voisins votent 6e
Au lieu d’écouter un seul exemple, la machine peut écouter les k exemples les plus proches (k = 3 ou k = 5). Chacun donne une voix à son espèce, et l’espèce qui a le plus de voix gagne. Avec k = 3, il faut 2 voix sur 3 pour gagner.
En cas d’égalité, par exemple une voix pour chacune des trois espèces, on a fixé une règle : la machine prend, parmi les espèces à égalité, celle de l’exemple le plus proche.
- Touche « Nouveau manchot », puis choisis k = 3 et k = 5 : les traits relient le manchot mystère à ses 3 ou 5 voisins.
- Regarde les zones : elles changent avec k.
Plus de voisins n’est pas toujours mieux : avec les 36 manchots de la réserve comme exemples, le test de 10 donne 9 bonnes réponses avec k = 1, mais 8 avec k = 3.
Les k plus proches voisins
espèce choisie = celle qui a le plus de voix parmi les k exemples les plus proches
La distance « à vol d’oiseau » se mesure ici sur le dessin, en carreaux. En 4e, avec le théorème de Pythagore, on saura la calculer : d = √(écart de longueur² + écart de hauteur²), les écarts comptés en carreaux. 4e
Cette méthode s’appelle les k plus proches voisins. C’est une vraie méthode d’apprentissage automatique : elle est au programme de NSI en 1re et d’informatique en classes préparatoires.
Une étiquette fausse 6e
Les exemples d’une machine portent une étiquette, l’espèce, écrite par des humains. Il arrive qu’une étiquette soit fausse.
Touche « Ajouter une étiquette fausse » : un manchot Adélie entre dans les exemples, étiqueté « papou » par erreur. Il apparaît comme un carré bleu entouré de rouge, au milieu des ronds orange. Regarde les zones avec k = 1, puis avec k = 3.
Ton pronostic : avec k = 3, l’étiquette fausse…
C’est noté. Vérifie avec la mission « Une étiquette fausse » : elle te fait comparer k = 1 et k = 3.
Et les vraies IA ?
des exemples étiquetés → une machine qui reconnaît
Notre machine garde tous ses exemples et compare chaque nouveau manchot à chacun d’eux. Elle n’a que deux nombres par manchot.
Les systèmes d’IA qui reconnaissent des images apprennent eux aussi à partir d’exemples étiquetés, mais beaucoup plus nombreux : le grand concours de reconnaissance d’images ImageNet fournissait 1 281 167 images d’entraînement, étiquetées en 1 000 catégories. Et une photo en couleur de 1 000 × 1 000 pixels, c’est 3 millions de nombres, pas deux.
En général, ces systèmes ne gardent pas leurs exemples pour les comparer un à un : ce sont des réseaux de neurones artificiels, dont des millions de nombres sont réglés pendant l’entraînement. Le principe de base reste le même : apprendre à partir d’exemples étiquetés. Et une étiquette fausse peut, là aussi, fausser des réponses.
Simplification annoncée : l’atelier n’utilise que deux mesures et 342 manchots, et il ne montre pas comment un réseau de neurones apprend.
Qu’ont en commun notre machine et une IA qui reconnaît des photos d’oiseaux ?
Notre machine ne voit que deux nombres ; une IA d’images ne voit que des pixels, c’est-à-dire des nombres. Ni l’une ni l’autre ne « voit » comme toi.
Oui. Sans exemples étiquetés, ni l’une ni l’autre ne saurait rien. Et toutes les deux peuvent se tromper, de façon mesurable, sur un test.
Le banc te prouve le contraire : même avec 322 exemples, notre machine rate des manchots. Les IA d’images aussi ont des taux d’erreur, mesurés sur des tests.
L’application qui propose « les plus probables » 6e
En sciences, dès le CM1, le programme propose de comparer l’identification d’une espèce faite avec une clé de détermination et celle d’une application d’intelligence artificielle « qui propose les identifications les plus probables ».
Une telle application a appris à partir de très nombreuses photos étiquetées. Elle ne donne pas une réponse sûre : elle classe plusieurs espèces, de la plus probable à la moins probable. Avec k = 5, notre machine fait la même chose, en plus simple : elle compte les voix de chaque espèce et les classe.
Une application d’identification affiche : « 1. manchot papou, 2. manchot à jugulaire ». Que faut-il comprendre ?
Sur le banc, choisis k = 5 et touche des manchots du test : le premier du classement est-il toujours la bonne espèce ?
Oui. Comme notre machine avec k = 5 : un classement, pas une preuve. Une clé de détermination, elle, fait vérifier des caractères un par un.
Elle a appris de très nombreux exemples : son classement est souvent juste. Souvent, pas toujours.
Tes missions
Voici les missions du palier choisi. Réponds, puis clique sur « Valider ma réponse ». Si ce n’est pas encore ça, un indice t’aide. Après trois essais, tu peux voir la solution.
Le savais-tu ?
Des faits vrais, avec les nombres qui les prouvent.
Les mots de l’atelier
Chaque mot, en une ou deux phrases.
- Exemple étiqueté
- Un manchot montré à la machine avec son espèce, son « étiquette ». La machine ne connaît que ses exemples.
- Étiquette
- La bonne réponse attachée à un exemple : ici, l’espèce. Ce sont des humains qui l’écrivent ; elle peut être fausse.
- Plus proche voisin
- L’exemple le plus près du nouveau manchot sur le dessin. La machine lui donne la même espèce.
- k plus proches voisins
- Les k exemples les plus proches votent ; l’espèce qui a le plus de voix gagne.
- Distance à vol d’oiseau
- La longueur du trait droit entre deux points du dessin, mesurée ici en carreaux.
- Zone
- L’ensemble des endroits du dessin où la machine répondrait la même espèce.
- Test
- Des manchots que la machine n’a jamais vus, dont on connaît l’espèce : on compte ses bonnes réponses.
- Pourcentage de réussite
- Le nombre de bonnes réponses ramené à 100 : bonnes réponses ÷ nombre de manchots du test × 100.
- Apprentissage automatique
- Une façon de programmer une machine : au lieu de lui écrire la règle, on lui donne des exemples, et elle en tire ses réponses.
- Jeu de données
- Des mesures rangées en tableau : ici, 342 manchots, avec deux mesures et une espèce pour chacun.
Pour les parents et les enseignantsouvrir
Objectifs
- Lire et placer des points dans un repère ; comparer des distances sur un dessin.
- Comprendre qu’une machine qui « apprend » tire ici ses réponses d’exemples étiquetés, et seulement d’eux.
- Mesurer la réussite d’une machine sur un test de manchots qu’elle n’a pas vus, et l’exprimer en pourcentage, avec l’effectif.
- Voir, par l’expérience, les causes d’erreur : trop peu d’exemples, des espèces qui se ressemblent sur les mesures choisies, une étiquette fausse ; et l’effet du vote de plusieurs voisins.
Notions
Points dans un repère, distance, exemple étiqueté, plus proche voisin, k plus proches voisins, vote et règle d’égalité, zones de décision, test, effectif et pourcentage, étiquette fausse.
Déroulé (15 à 20 minutes)
Palier 1 : lire le dessin, faire deviner la machine, lui montrer des exemples, lui faire passer le test. Palier 2 : choisir de bons exemples, comprendre un raté, le score en pourcentage. Palier 3 : le vote des k voisins, l’étiquette fausse, le lien avec les IA qui reconnaissent des images et avec les applications d’identification.
Les pièges visés
Croire que la machine « voit » ou « comprend » le manchot ; croire qu’une machine qui a appris ne se trompe plus ; juger une distance seulement de gauche à droite ; confondre le nombre de bonnes réponses et le pourcentage ; croire qu’un score sur 10 est aussi sûr qu’un score sur 100 ; croire que plus de voisins est toujours mieux ; croire que la machine repère seule une étiquette fausse. Les indices des missions repèrent ces erreurs.
Liens avec les programmes
- CM1 (programme de mathématiques 2025, vérifié) : « Recueillir des données et produire un tableau, un diagramme en barres ou un ensemble de points dans un repère pour les présenter ». Pour tout le cycle 3 : « La locution « pensée informatique » englobe une attitude intellectuelle et un ensemble de compétences essentielles pour comprendre les enjeux contemporains tels que l’intelligence artificielle ».
- 6e (programme de mathématiques 2025, vérifié) : « Calculer une proportion (rapport entre une partie et le tout) et l’exprimer sous forme de pourcentage dans des cas simples ».
- CM1 (sciences et technologie, programme 2026, appliqué au CM1 à la rentrée 2026, vérifié) : l’élève identifie des espèces avec une clé de détermination et « peut confronter cette identification avec celle obtenue par une application numérique basée sur l’intelligence artificielle (qui propose les identifications les plus probables) ». Cet atelier montre, en plus simple, ce que fait une telle application.
- 4e : parcours Pix sur l’IA, obligatoires depuis 2025-2026 (note de service du 23 janvier 2026, vérifiée) : deux parcours de 30 à 45 minutes. Parmi les thèmes annoncés par Pix figurent les « grands types d’apprentissage des IA » (page de Pix relevée par la recherche du site, non relue mot à mot ici). Cet atelier en montre un : l’apprentissage à partir d’exemples étiquetés.
- Plus tard (vérifié par la recherche du site) : NSI de 1re, « Algorithme des k plus proches voisins […] Il s’agit d’un exemple d’algorithme d’apprentissage » ; informatique commune des classes préparatoires, « Algorithme des k plus proches voisins avec distance euclidienne. Matrice de confusion ».
- Pas de plafond : la distance de Pythagore (4e) et le vote des k voisins sont manipulés ici avant d’être nommés.
Références : programme de mathématiques du cycle 3, arrêté du 10 avril 2025 (BO n° 16 du 17 avril 2025) ; programme de sciences et technologie du cycle 3, arrêté du 5 juin 2026 ; note de service du 23 janvier 2026 sur les compétences numériques (BO n° 6 du 5 février 2026) ; programme de NSI de 1re (arrêté du 17 janvier 2019) ; programme d’informatique des classes préparatoires scientifiques (arrêté du 5 janvier 2021). Citations du cycle 3 relues dans les textes officiels le 1er octobre 2026.
À faire en vrai
Ramassez une dizaine de feuilles de deux arbres différents. Mesurez la longueur et la largeur de chacune, placez-les comme des points sur du papier quadrillé, une couleur par arbre. Prenez une nouvelle feuille, placez son point, et cherchez le point le plus proche : vous venez d’appliquer à la main la règle du plus proche voisin.
Ce que l’atelier simplifie
Deux mesures seulement (la longueur et la hauteur du bec) sur 342 manchots ; les autres mesures du jeu de données (nageoire, masse) ne servent pas. La distance se mesure sur le dessin : 1 carreau vaut 2 mm de longueur et 1 mm de hauteur (avec 1 mm dans les deux sens, 321 manchots sur 342 seraient reconnus au lieu de 322). À distance égale, le premier exemple dans l’ordre du fichier passe d’abord ; à égalité de voix, l’espèce de l’exemple le plus proche gagne. Les manchots du test sont tirés au sort avec une graine fixe (67) : 4 Adélie, 3 à jugulaire et 3 papous pour le test de 10 ; la réserve compte 12 manchots de chaque espèce. Ici, on voit les manchots du test pour comprendre les erreurs ; en vrai, on les cache à ceux qui choisissent les exemples, sinon le score est trop beau : c’est le sujet d’un prochain atelier, « S’entraîner, puis passer l’examen ». Les IA d’images sont présentées sans leur mécanisme (les réseaux de neurones).
Sources
Les distances, les réponses de la machine, les zones et les scores sont calculés par le modèle de l’atelier (modele.js), sur les mesures de donnees.js.
- Horst A. M., Hill A. P., Gorman K. B. (2020). palmerpenguins: Palmer Archipelago (Antarctica) penguin data. Paquet R, version 0.1.1 (2022). doi:10.5281/zenodo.3960218. Licence CC0 (domaine public). Fichier penguins.csv, relevé le 1er octobre 2026 ; les 2 lignes sans mesure sont retirées.
- Gorman K. B., Williams T. D., Fraser W. R. (2014). Ecological sexual dimorphism and environmental variability within a community of Antarctic penguins (genus Pygoscelis). PLoS ONE 9 (3) : e90081. doi:10.1371/journal.pone.0090081.
- Fix E., Hodges J. L. (1951). Discriminatory analysis. Nonparametric discrimination: consistency properties. Rapport technique, USAF School of Aviation Medicine ; republié dans International Statistical Review 57 (3) : 238–247 (1989). doi:10.2307/1403797.
- Cover T. M., Hart P. E. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory 13 (1) : 21–27. doi:10.1109/TIT.1967.1053964.
- Russakovsky O. et al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision 115 : 211–252. doi:10.1007/s11263-015-0816-y.
- Northcutt C. G., Athalye A., Mueller J. (2021). Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks. NeurIPS 2021, Datasets and Benchmarks Track. arXiv:2103.14749.
- Ministère de l’Éducation nationale. Programme de mathématiques du cycle 3, arrêté du 10 avril 2025 (Bulletin officiel n° 16 du 17 avril 2025) ; programme de sciences et technologie du cycle 3, arrêté du 5 juin 2026 ; note de service du 23 janvier 2026, modalités de formation, d’évaluation et de certification des compétences numériques (Bulletin officiel n° 6 du 5 février 2026).