En clair
Pour apprendre à un enfant à reconnaître un chat, personne ne lui dicte une définition. On lui en montre, il se trompe, on le corrige, et il finit par reconnaître des chats qu’il n’a jamais vus. L’apprentissage automatique suit la même logique : on fournit au programme des milliers d’exemples accompagnés de la bonne réponse, et il ajuste son fonctionnement jusqu’à se tromper le moins possible.
La différence avec un logiciel classique est là. Dans un logiciel classique, un développeur écrit les règles : « si le montant dépasse tel seuil, alors bloquer ». Avec l’apprentissage automatique, on fournit des cas passés et le programme trouve lui-même les règles, souvent trop nombreuses et trop subtiles pour être écrites à la main. Le résultat de cet apprentissage s’appelle un modèle.
Conséquence directe : un modèle vaut ce que valent ses exemples. S’ils sont peu nombreux, datés ou déséquilibrés, il apprendra de travers, comme un élève qui n’aurait révisé qu’un seul chapitre avant l’examen. La qualité des données compte donc autant que la méthode de calcul, et c’est souvent là que se joue la réussite d’un projet.
Un exemple
Une banque veut repérer les paiements frauduleux. Elle dispose de plusieurs années de transactions, chacune étiquetée « normale » ou « frauduleuse ». Un modèle est entraîné sur cet historique : il apprend quelles combinaisons de montant, d’heure, de lieu et de commerçant annoncent une fraude.
En production, chaque nouveau paiement reçoit un score de risque en une fraction de seconde. Comme les fraudeurs changent de méthode, le modèle doit être réentraîné régulièrement sur des données récentes.
Comment ça marche
L’expression est associée à Arthur Samuel, chercheur chez IBM, qui publie en 1959 ses travaux sur un programme de jeu de dames capable d’apprendre à mieux jouer que la personne qui l’a écrit 1. Tom Mitchell en donne en 1997 une définition devenue classique : l’étude des algorithmes qui s’améliorent automatiquement par l’expérience 2.
- CollecterRassembler des exemples représentatifs de la tâche.
- EntraînerLe modèle ajuste ses paramètres pour réduire son erreur.
- ÉvaluerOn le teste sur des données qu’il n’a jamais vues.
- DéployerIl traite de nouveaux cas, sous surveillance.
Le cycle reprend dès que les données réelles s’éloignent des données d’entraînement.
Concrètement, un modèle est une fonction dotée de paramètres réglables. L’entraînement consiste à mesurer l’erreur du modèle sur des exemples, au moyen d’une fonction de perte, puis à modifier les paramètres pour la réduire, le plus souvent par descente de gradient. On réserve toujours des données que le modèle n’a jamais vues pour vérifier qu’il généralise au lieu de réciter : apprendre par cœur ses exemples s’appelle le surapprentissage.
On distingue trois familles. L’apprentissage supervisé part d’exemples étiquetés, par exemple des courriels marqués « indésirable » ou non. L’apprentissage non supervisé cherche une structure dans des données brutes, comme des groupes de clients au comportement proche. L’apprentissage par renforcement procède par essais et erreurs, guidé par une récompense 3. Les grands modèles de langage reposent sur une variante, l’apprentissage auto-supervisé : l’étiquette est tirée des données elles-mêmes, par exemple le mot suivant d’un texte.
Ce que ça change pour une entreprise
L’apprentissage automatique est rentable sur les décisions répétées en grand nombre et pour lesquelles un historique existe : prévision de ventes, détection de fraude, maintenance prédictive, recommandation, tri de documents. Il n’exige pas toujours des modèles géants : pour des données en tableau, des méthodes simples et peu coûteuses suffisent souvent.
La dépense principale est rarement l’algorithme. Elle se situe dans la collecte, le nettoyage et l’étiquetage des données, puis dans le suivi : un modèle se dégrade quand la réalité change, et il faut le surveiller et le réentraîner. Un modèle peut aussi reproduire les biais de son historique, ce qui pose des questions juridiques dès qu’il touche à l’embauche, au crédit ou à l’assurance.
Idées reçues
- « Plus on a de données, meilleur est le modèle. »
La qualité et la représentativité comptent davantage que le volume. Des données biaisées ou mal étiquetées donnent un modèle biaisé, quelle que soit leur quantité.
- « Le modèle continue d’apprendre tout seul une fois en service. »
En général non : il est figé après l’entraînement. Il ne s’améliore que si on le réentraîne avec de nouvelles données.
- « L’apprentissage automatique et l’IA, c’est la même chose. »
L’apprentissage automatique est une branche de l’IA, aujourd’hui la plus utilisée. Des systèmes à base de règles écrites à la main relèvent aussi de l’IA.