Les filtres du commerce
9 minCe qu'on cherche à comprendre
5 minProblématique : comment relier des informations éparpillées dans plusieurs tables — et que se passe-t-il quand une IA apprend sur des données déséquilibrées ?
Le croisement
23 minTable ÉLÈVES (nom, classe, idClub) et table CLUBS (idClub, nomClub, jour). Le descripteur commun idClub permet de croiser : pour chaque élève, retrouver le nom et le jour de son club.
| ÉLÈVES | ||
|---|---|---|
| nom | classe | idClub |
| Lina | 2de3 | C1 |
| Noah | 2de1 | C2 |
| CLUBS | ||
|---|---|---|
| idClub | nomClub | jour |
| C1 | athlé | mardi |
| C2 | échecs | jeudi |
Calculer sur une table
9 minSur une colonne de nombres, on peut compter, sommer, faire une moyenne, chercher min/max — au besoin après filtrage (« moyenne des temps du club athlé »). Croisement + calcul = l'essentiel du travail sur les données.
À vos moyennes
18 minCouche IA : le biais des données
13 minUne IA généralise ce qu'elle voit. Si les données d'entraînement sont déséquilibrées, l'IA hérite du déséquilibre : une reconnaissance faciale entraînée surtout sur certains visages se trompe davantage sur les autres ; un tri de CV appris sur des recrutements passés peut reproduire leurs discriminations.
Réflexes : demander sur quelles données un système a appris ; tester sur des cas variés ; garder un humain dans la décision.
On fixe les acquis
9 min📝 Trace écrite — à recopier
Croiser deux tables = les relier par un descripteur commun (principe relationnel, Codd 1970). On peut calculer sur une colonne (compte, somme, moyenne, min/max), après filtrage éventuel. Les données entraînent les IA : des données biaisées produisent des IA biaisées.
Devoirs
4 min- Cherche où sont stockées tes photos « dans le cloud » : active/désactive ? Note ce que tu découvres — on parle centres de données à la prochaine séance.