Comment une IA traite une photo : du pixel à l’étiquette

Vous photographiez un chien, et l’application affiche « chien ». L’opération paraît évidente, presque banale. Elle ne l’est pas du tout, et la façon dont elle se déroule explique la plupart des erreurs que vous avez pu constater.

Cet article décrit le trajet complet, du pixel à l’étiquette, sans vocabulaire technique. L’objectif est pratique : une fois le trajet connu, les erreurs cessent d’être mystérieuses et deviennent prévisibles.

Pour une machine, une image est une grille de nombres

Premier point, et c’est le plus important : il n’y a pas d’image à l’intérieur de la machine. Il y a un tableau de nombres.

Une photographie est découpée en carrés minuscules, les pixels. Chaque pixel est enregistré sous la forme de trois nombres, qui indiquent sa quantité de rouge, de vert et de bleu. Une photo de téléphone courante contient plusieurs millions de pixels, donc plusieurs millions de triplets de nombres.

Tout ce qui suit se passe sur ces nombres. Aucune étape ne consiste à regarder la scène. Le programme n’a accès ni à l’odeur du chien, ni au fait qu’il appartient aux voisins, ni à l’idée générale d’un animal. Il manipule une grille.

C’est aussi la raison pour laquelle une photo prise à contre-jour, floue ou très sombre pose problème. Les nombres changent beaucoup, alors que pour un œil humain la scène reste la même.

Du nombre à l’étiquette : un empilement de détecteurs

Le programme applique ensuite une longue série de calculs, organisés en couches successives. Chaque couche repère des motifs un peu plus larges que la précédente.

1. Les premières couches repèrent des choses très élémentaires : un changement brusque de luminosité, une ligne, un coin, une zone d’une seule couleur.
2. Les couches intermédiaires combinent ces éléments en motifs : une texture régulière, une courbe fermée, un contraste en forme de bande.
3. Les couches suivantes assemblent ces motifs en parties : quelque chose qui a la forme d’une oreille pointue, d’une roue, d’un œil.
4. La dernière étape additionne ces indices et attribue un score à chaque étiquette possible. L’étiquette au meilleur score est affichée.

Ces détecteurs ne sont pas écrits à la main. Ils sont réglés automatiquement, par ajustements répétés, sur de très grandes collections d’images déjà étiquetées par des personnes. C’est là que se logent la plupart des surprises : le programme ne retient pas ce qu’un chien est, mais ce qui, dans sa collection d’entraînement, accompagnait statistiquement l’étiquette « chien ».

Une conséquence mérite d’être retenue. Le résultat affiché est un score, pas un constat. « Chien » signifie en réalité : parmi les étiquettes disponibles, celle-ci obtient le meilleur score sur cette grille de nombres.

Les quatre familles d’erreurs, et leur cause

Les erreurs de ces systèmes ne sont pas aléatoires. Elles se répartissent en quelques familles reconnaissables.

L’erreur de contexte a fait l’objet d’une démonstration restée connue. Dans un article de 2016, trois chercheurs ont entraîné volontairement un classeur défectueux sur une vingtaine d’images, choisies pour que toutes les photos de loups aient de la neige en arrière-plan et aucune photo de husky. Leur objectif était de vérifier si des observateurs repéraient que le programme s’appuyait sur la neige. La référence est consultable en ligne : « Why Should I Trust You? », Ribeiro, Singh et Guestrin, 2016. Il s’agissait d’un cas construit pour l’expérience, et non d’une mesure sur un outil du commerce.

Ce dernier point est celui qui trompe le plus d’adultes. Un chiffre affiché à côté d’une étiquette ressemble à une mesure de fiabilité. Il indique seulement l’intensité de l’accord avec ce qui a été appris.

Ce que cela change pour expliquer à un enfant

Trois formulations se transmettent bien, et évitent les malentendus durables.

• « Elle ne regarde pas la photo, elle calcule sur des nombres. » Cette phrase, répétée une ou deux fois, suffit à écarter l’idée d’un regard.
• « Elle ne choisit que dans sa liste. » Utile pour expliquer pourquoi un objet inhabituel reçoit une étiquette absurde plutôt qu’aucune étiquette.
• « Le pourcentage n’est pas une preuve. » C’est le réflexe le plus durable à installer, et il sert bien au-delà des images.

Un enfant teste volontiers ces limites de lui-même. Lui laisser photographier dix objets de la maison et relever les erreurs fonctionne mieux qu’une explication. Pour une approche entièrement sans écran, nos activités à la maison abordent le même mécanisme avec du papier découpé.

Le point à ne pas négliger : ce sont des photos

Une dernière remarque, de nature différente. Pour obtenir une étiquette, l’image part le plus souvent vers un serveur distant. Lorsqu’un enfant photographie son cahier, sa chambre ou son visage, ce sont ces images-là qui circulent.

Les repères d’âge s’appliquent pleinement ici. Avant 13 ans, pas de compte personnel sur ces services : les conditions d’utilisation de ChatGPT fixent un âge minimum de 13 ans, ou l’âge minimum requis dans le pays concerné. Entre 13 et 18 ans, l’accord d’un parent ou du représentant légal est exigé par ces mêmes conditions. En France, un mineur peut consentir seul à certains traitements de ses données personnelles à partir de 15 ans ; en dessous, l’accord d’un parent est requis conjointement avec le sien, au titre de l’article 45 de la loi Informatique et Libertés. La CNIL précise par ailleurs que ce seuil de 15 ans ne constitue pas une « majorité numérique globale ».

Savoir qu’une image devient une grille de nombres aide à comprendre les erreurs. Savoir où part cette grille aide à décider qui photographie quoi, et avec quel compte.