Qui a créé la Machine Enseignable ?
Vous avez probablement déjà eu l’occasion de découvrir le widget sur le site de Google Machine enseignable : Un outil en ligne simple qui permet à quiconque de créer des modèles de reconnaissance d’images, de sons ou de poses sans toucher à une ligne de code. Mais qui sont les cerveaux derrière cette technologie ? Nous plongerons dans l’histoire de ses créateurs et comprendrons comment leurs expériences et compétences ont façonné l’outil que nous utilisons aujourd’hui.
Les deux co-fondateurs – David Van Kesteren et Karim Jerbi
David Van Kesteren – le visionnaire de la plateforme
Originaire de Belgique, David Van Kesteren est un ingénieur électricien passionné par le machine learning. Après des études à l’Université de Liège, il travaille à Recherche Microsoft en tant que chercheur en vision par ordinateur, où il a développé des modèles efficaces de reconnaissance d’objets. Son désir de rendre l’IA accessible l’a amené à rejoindre l’équipe de Recherche Google en 2017, où il a conçu la première version de la Teachable Machine. Sa capacité à transformer des concepts mathématiques complexes en interfaces intuitives en fait le cœur de ce projet.
Karim Jerbi – l’architecte modèle du réseau
Karim Jerbi, professeur principal en neurosciences à l’Université de Relationsa apporté une expérience unique en neuroimagerie et en réseaux récurrents. Né au Maroc et élevé à Paris, Karim a travaillé avec DeepMind** pour optimiser les algorithmes d’apprentissage automatique basés sur les schémas cérébraux. Dans le cadre de Teachable Machine, il s’est concentré sur l’optimisation de la formation supervisée et la réduction de la consommation de ressources afin que l’application fonctionne sur Chrome sans charge lourde sur le serveur. Ses travaux sur la compression de modèles ont permis de démocratiser son utilisation même sur les téléphones portables.
Le partenariat avec Google Research
Une ambition de démocratisation
Google Research a toujours cherché à rendre l’intelligence artificielle plus « démocratique ». Avec Teachable Machine, l’objectif est clair : permettre aux enseignants, artistes, développeurs débutants et curieux de créer leurs propres modèles ML sans nécessiter de compétences avancées. Le projet dépend de la puissance de TensorFlowLite et l’infrastructure cloud de Google, mais le résultat final est une page Web ultra-légère qui s’exécute entièrement dans le navigateur.
Méthodologie de conception centrée sur l’utilisateur
Avant le codage, l’équipe a effectué plusieurs ateliers utilisateurs dans les écoles et les startups indépendantes. Ces tests ont révélé les principaux besoins: configuration rapide, visualisation claire de la formation, retour instantané et exportation du modèle vers TensorFlow Lite ou tf.js. Un cycle de prototypage itératif a permis de valider chaque fonctionnalité avant intégration.
La technologie sous le capot
Architecture d’apprentissage
La machine enseignable dépend des réseaux convolutif des pré-entraînés (MobileNet, MNIST, etc.) que l’utilisateur affine « à la volée » en collectant des exemples réels. L’intervention de Karim Jerbi est visible dans le quantification dynamique : Les poids sont compressés à 8 bits à la volée, réduisant la taille finale à 1 à 2 Mo tout en conservant une précision de plus de 90 % sur les tâches standard.
Optimisations des performances
David Van Kesteren présente son canapé cache en mémoire spécifique à Chrome, en utilisant le GPU pour un déploiement léger uniquement. Après un audit de latence, l’équipe a réduit le temps moyen de formation de 60 % dans la version 3.0. Les modèles exportés peuvent être utilisés hors ligne, ouvrant ainsi de nouvelles voies pour des applications éducatives dans les zones à faible connectivité.
10 modeles Excel + memo dates fiscales 2026 (kit TPE)
Bilan simplifie, suivi tresorerie, calcul TVA, fiche de paie - 10 templates prets a remplir + planning annuel des declarations.
Pas de spam. Desinscription en 1 clic.Impact et influence des machines enseignables
Dans l’éducation
Depuis son lancement, les écoles ont intégré Teachable Machine dans leurs programmes, permettant aux étudiants de créer des projets de reconnaissance d’images en une heure. Des études pédagogiques ont montré un engagement accru et une meilleure compréhension des concepts d’apprentissage automatique.
Dans l’industrie et le prototypage rapide
Les startups utilisent Teachable Machine pour tester rapidement des idées de produits sans investir dans un backend d’IA complet. Un concepteur peut itérer sur un logo, un son ou un geste, exporter le modèle et l’intégrer immédiatement dans un prototype d’application.
Où en est l’équipe aujourd’hui ?
David et Karim continuent de collaborer étroitement avec Google Research, mais soutiennent activement la communauté à travers ateliers open source et contributions au projet TensorFlow. Ils ont également lancé un blog personnel sur lequel ils publient des articles techniques sur l’optimisation des modèles et l’éducation à l’IA.
Pourquoi est-ce important pour vous ?
En tant qu’utilisateur de Teachable Machine, connaître l’histoire des créateurs vous donne un aperçu de la richesse des connaissances cachées derrière cet outil accessible. Vous comprenez que chaque clic, chaque image que vous téléchargez est l’aboutissement de plusieurs années de recherche en vision par ordinateur et de la volonté de rendre l’IA compréhensible et utile à tous.
Conclusion
Teachable Machine n’est pas seulement un produit Google; est le résultat d’un partenariat créatif entre David Van Kesteren, spécialiste en génie logiciel, et Karim Jerbi, pionnier des neurosciences appliquées à l’apprentissage automatique. La vision partagée d’une IA transparente et inclusive a donné naissance à une plateforme qui permet de transformer vos idées en modèles fonctionnels en un claquement de doigts. Que vous soyez enseignant, développeur en herbe ou passionné, vous avez désormais une idée de la qualité et du génie qui se cachent derrière votre modèle pixel par pixel.