Systèmes d'information et numérique (SIN)

Cette leçon aborde l'intelligence artificielle appliquée aux systèmes numériques, un thème central de l'épreuve de spécialité Systèmes d'Information et Numérique (SIN) du Baccalauréat technologique STI2D en Terminale. Elle explore les fondements du fonctionnement des réseaux de neurones artificiels et leur rôle dans la reconnaissance de motifs complexes au sein de grands ensembles de données.

Le contenu détaille les trois grands paradigmes de l'apprentissage automatique : l'apprentissage supervisé, où le modèle est entraîné à partir de données étiquetées ; l'apprentissage non supervisé, qui vise à découvrir des structures cachées dans des données non étiquetées ; et l'apprentissage par renforcement, fondé sur l'interaction avec un environnement pour maximiser une récompense. La leçon distingue également les deux phases du cycle de vie d'un modèle supervisé : l'entraînement et l'inférence.

Plusieurs notions mathématiques et algorithmiques sont travaillées, notamment la fonction d'activation (introduisant la non-linéarité dans un neurone, via des fonctions comme ReLU), la rétropropagation (algorithme d'ajustement des poids par calcul du gradient de l'erreur), ainsi que le rôle des poids de connexion. Le phénomène de surapprentissage (overfitting), où un modèle mémorise excessivement les données d'entraînement au détriment de sa capacité de généralisation, est expliqué, de même que l'utilité d'un jeu de données de test indépendant pour évaluer la performance réelle d'un modèle.

La dimension embarquée de l'IA est également abordée à travers le concept d'Edge AI, qui consiste à exécuter des modèles légers directement sur des microcontrôleurs plutôt que sur des serveurs distants, avec les avantages associés en matière de réduction de la latence et de confidentialité des données locales. Le rôle du capteur comme interface entre le monde physique et le système d'IA est précisé, tout comme les applications concrètes de l'IA en STI2D : maintenance prédictive, reconnaissance d'objets par caméra, et optimisation énergétique.

Ce sujet est essentiel pour l'épreuve car il relie les concepts théoriques de l'apprentissage automatique aux réalités des systèmes numériques embarqués étudiés en STI2D. L'apprenant y pratique l'identification des différents types d'apprentissage, la compréhension du rôle de chaque composant d'un réseau de neurones, et l'analyse des contraintes spécifiques à l'intégration de l'IA dans des dispositifs matériels contraints en ressources. Le quiz de 10 questions et les 12 fiches de révision permettent de consolider le vocabulaire technique et les mécanismes clés attendus lors de l'épreuve de spécialité.

• Distinguer les trois types d'apprentissage automatique : supervisé, non supervisé et par renforcement
• Expliquer les deux phases du cycle de vie d'un modèle supervisé : entraînement et inférence
• Définir le rôle d'une fonction d'activation et de la rétropropagation dans un réseau de neurones
• Identifier le phénomène de surapprentissage et le rôle du jeu de données de test
• Expliquer les principes et avantages de l'Edge AI (latence, confidentialité)
• Citer des applications concrètes de l'IA en STI2D (maintenance prédictive, vision, optimisation énergétique)
• Décrire le rôle d'un capteur dans une chaîne intégrant de l'IA

Contenu généré à partir d'une consigne de sujet (pas de document source téléversé — grounding faible) : «Épreuve de spécialité Systèmes d'information et numérique (SIN) du Baccalauréat technologique STI2D, programme officiel de Terminale : intelligence artificielle appliquée aux systèmes numériques.». Le contenu couvre l'apprentissage supervisé/non supervisé/par renforcement, la fonction d'activation et la rétropropagation dans les réseaux de neurones, et l'Edge AI (exécution de modèles d'IA sur microcontrôleurs).