GLOSSAIRE IA · FONDAMENTAUX
Machine learning
Apprentissage automatique
Le machine learning, ou apprentissage automatique, est la méthode qui consiste à faire apprendre une règle à une machine à partir d'exemples, au lieu de la lui écrire à la main. On lui montre des milliers de cas, elle en déduit un modèle, et applique ensuite ce modèle à des situations nouvelles.
- Traduction
- Apprentissage automatique
- Principe
- Apprendre par l'exemple
- Entrée
- Données annotées ou brutes
- Sortie
- Un modèle réutilisable
- Sous-famille clé
- Apprentissage profond
- Catégorie
- Méthode d'IA
Programmer par l'exemple plutôt que par la règle
La rupture avec la programmation classique tient à qui écrit la règle.
Dans un programme classique, un humain écrit la règle : si le montant dépasse mille euros et que le pays diffère du pays habituel, signaler la transaction. Le comportement est explicite, prévisible, et limité à ce que le développeur a anticipé.
En machine learning, personne n'écrit la règle. On fournit à la machine des dizaines de milliers de transactions étiquetées frauduleuses ou légitimes, et elle en déduit d'elle-même les combinaisons de signaux qui distinguent les deux. Le résultat de cet apprentissage s'appelle un modèle.
Cette approche devient indispensable dès que la règle est trop complexe ou trop floue pour être formulée. Personne ne sait écrire à la main les critères qui distinguent une photo de chat d'une photo de chien, ni ceux qui font qu'une phrase sonne juste en français. Le machine learning contourne ce problème en apprenant depuis les données.
Le cycle d'apprentissage d'un modèle
Quatre étapes, dont la première est de loin la plus coûteuse.
- 01
Rassembler et préparer les données
On collecte des exemples représentatifs, on les nettoie, on corrige les valeurs manquantes et, selon la méthode, on les étiquette. C'est l'étape qui consomme le plus de temps dans la majorité des projets.
- 02
Entraîner le modèle
L'algorithme parcourt les exemples, fait des prédictions, mesure ses erreurs et ajuste ses paramètres internes pour les réduire. L'opération se répète jusqu'à ce que la performance cesse de progresser.
- 03
Évaluer sur des données jamais vues
On teste le modèle sur des exemples mis de côté au départ. Un modèle qui excelle sur ses données d'entraînement mais échoue sur les nouvelles a simplement mémorisé au lieu de généraliser.
- 04
Mettre en production et surveiller
Le modèle est déployé, puis surveillé dans la durée. La réalité change, les données d'entrée dérivent, et la performance se dégrade si personne ne réentraîne.
Les grandes approches d'apprentissage
Le choix dépend de ce dont vous disposez : des exemples étiquetés, des données brutes, ou un environnement à explorer.
-
Apprentissage supervisé
On fournit des exemples avec la bonne réponse. Le modèle apprend à reproduire l'association. C'est l'approche de la détection de fraude, du scoring client ou du diagnostic à partir d'images.
-
Apprentissage non supervisé
Aucune réponse fournie. Le modèle cherche lui-même des structures dans les données : regrouper des clients aux comportements proches, détecter des anomalies, réduire la complexité d'un jeu de données.
-
Apprentissage par renforcement
Le modèle agit dans un environnement et reçoit une récompense ou une pénalité. Il apprend par essai et erreur. C'est ainsi qu'on entraîne des systèmes de jeu ou de pilotage.
-
Apprentissage profond
Une sous-famille qui empile de nombreuses couches de neurones artificiels. C'est ce qui a rendu possibles la reconnaissance d'image moderne et les grands modèles de langage.
Ce qui fait échouer un projet de machine learning
Les causes d'échec les plus fréquentes sont rarement algorithmiques.
-
La qualité des données prime sur l'algorithme
Un modèle simple entraîné sur de bonnes données bat presque toujours un modèle sophistiqué entraîné sur des données sales. Le nettoyage n'est pas une formalité préalable, c'est le cœur du travail.
-
Les biais des données se retrouvent dans le modèle
Si l'historique de recrutement d'une entreprise a favorisé un profil, un modèle entraîné dessus reproduira ce favoritisme. Le modèle apprend le passé, y compris ce qu'on voudrait corriger.
-
Le surapprentissage
Un modèle qui colle trop précisément à ses données d'entraînement mémorise le bruit au lieu du signal, et s'effondre sur des cas réels. C'est pour cela qu'on évalue toujours sur des données mises de côté.
-
La dérive dans le temps
Le monde change, les données d'entrée aussi. Un modèle performant à son lancement se dégrade silencieusement si personne ne le surveille ni ne le réentraîne.
EN CLAIR
Pour le dire simplement
Apprendre à un enfant à reconnaître un chien ne consiste pas à lui dicter une définition avec le nombre de pattes et la forme des oreilles. On lui montre des chiens, beaucoup de chiens, et il finit par savoir en reconnaître un qu'il n'a jamais vu. Le machine learning applique exactement cette méthode à une machine. Et comme un enfant à qui on n'aurait montré que des labradors, un modèle mal nourri en exemples se trompera sur tout le reste.
Ce qu'il faut arrêter de croire.
-
IDÉE REÇUE
Machine learning et intelligence artificielle, c'est la même chose.
EN RÉALITÉ
Le machine learning est une méthode parmi d'autres pour faire de l'IA, aujourd'hui la plus utilisée. L'IA est le domaine, le machine learning est l'approche qui consiste à apprendre depuis les données.
-
IDÉE REÇUE
Il faut d'énormes volumes de données pour commencer.
EN RÉALITÉ
Cela dépend du problème. Certaines tâches demandent des millions d'exemples, d'autres se traitent avec quelques milliers de lignes bien annotées. Et les modèles pré-entraînés permettent souvent de partir d'une base existante.
-
IDÉE REÇUE
Le modèle explique pourquoi il a pris sa décision.
EN RÉALITÉ
Rarement. Les modèles simples sont interprétables, les modèles profonds beaucoup moins. C'est un vrai sujet dans les secteurs où une décision doit être justifiée, comme le crédit ou le recrutement.
-
IDÉE REÇUE
Une fois entraîné, un modèle est acquis.
EN RÉALITÉ
Non. Sa performance se dégrade à mesure que la réalité s'éloigne des données d'entraînement. Un modèle en production demande une surveillance et des réentraînements réguliers.
Questions fréquentes.
Quelle est la différence entre machine learning et deep learning ?
Le deep learning, ou apprentissage profond, est une sous-famille du machine learning qui empile de nombreuses couches de neurones artificiels. Il demande plus de données et de puissance de calcul, mais permet de traiter des données brutes comme des images ou du texte sans préparation manuelle poussée.
Le machine learning est-il derrière ChatGPT ?
Oui. Les grands modèles de langage sont entraînés par apprentissage profond, une branche du machine learning, sur d'immenses corpus de textes. La génération de texte est donc une application du machine learning, pas une technologie distincte.
Quelles compétences faut-il pour faire du machine learning ?
Des bases solides en statistiques, la maîtrise d'un langage comme Python, et surtout une bonne compréhension du métier concerné. La partie modélisation est souvent la plus courte : l'essentiel du travail consiste à comprendre et préparer les données.
Une PME peut-elle faire du machine learning ?
Oui, à condition de partir d'un problème précis et de données déjà disponibles. Les plateformes cloud proposent des services prêts à l'emploi qui évitent d'entraîner un modèle depuis zéro, ce qui rend accessible des cas comme la prévision de ventes ou la classification de demandes clients.
Combien de temps prend un projet de machine learning ?
Le plus souvent quelques semaines à quelques mois, dont la majeure partie consacrée à la collecte, au nettoyage et à l'annotation des données. L'entraînement lui-même se compte en heures ou en jours.
Comment savoir si un modèle est bon ?
En le mesurant sur des données qu'il n'a jamais vues, avec un indicateur choisi selon l'enjeu métier. Un taux de bonnes réponses global peut masquer une faiblesse grave sur les cas rares, souvent les plus coûteux à manquer.
Termes liés.
Révisé le 27 juillet 2026