Comment une machine apprend — Introduction à l'intelligence artificielle

Table des matières

Le principe : apprendre au lieu de programmer

Supposons que vous deviez écrire un programme distinguant une photo de chat d'une photo de chien. Par où commencer ? Les oreilles ? La truffe ? Un chihuahua a des oreilles pointues, un chat persan a le museau écrasé. Chaque règle que vous poserez trouvera son contre-exemple.

L'apprentissage automatique renverse le problème. Plutôt que d'écrire les règles, on fournit au programme des milliers d'exemples déjà étiquetés — « ceci est un chat », « ceci est un chien » — et on le laisse dégager seul ce qui les sépare.

Le programme ne reçoit donc plus une procédure, mais un objectif et de la matière.

Les trois grandes familles

Les trois familles se distinguent par ce qui accompagne les données : une réponse, rien, ou une récompense.

Apprentissage supervisé

Les données sont accompagnées de la réponse attendue. Le modèle ajuste ses paramètres jusqu'à reproduire ces réponses, puis on l'applique à des cas nouveaux.

C'est de loin la famille la plus utilisée en entreprise, parce qu'elle correspond aux situations où l'on dispose d'un historique :

Objectif	Données fournies	Ce que le modèle prédit
Détecter un courriel indésirable	100 000 courriels marqués « spam » ou « légitime »	une catégorie
Estimer le prix d'un bien	50 000 ventes passées avec leurs caractéristiques	une valeur numérique
Prévoir une panne	historique de capteurs et d'incidents	une probabilité

On distingue la classification, qui attribue une catégorie, et la régression, qui prédit une valeur continue.

L'apprentissage supervisé exige des données étiquetées, et c'est presque toujours le poste le plus coûteux d'un projet. Étiqueter 100 000 exemples demande un travail humain considérable, souvent sous-estimé au moment du chiffrage.

Apprentissage non supervisé

Aucune réponse n'est fournie : le modèle doit dégager seul une structure dans les données.

Partitionnement (clustering) — regrouper des clients aux comportements voisins, sans avoir défini les segments à l'avance
Détection d'anomalies — repérer ce qui s'écarte de la norme, utile en cybersécurité comme en contrôle qualité
Réduction de dimension — résumer des données à nombreuses variables en conservant l'essentiel

Cette famille répond à la question « qu'y a-t-il dans mes données ? » plutôt qu'à « quelle est la réponse ? ».

Apprentissage par renforcement

Un agent agit dans un environnement et reçoit une récompense ou une pénalité. Par essais répétés, il découvre la stratégie qui maximise la récompense cumulée.

C'est le principe des programmes qui apprennent à jouer, de la robotique, et de l'optimisation en temps réel — refroidissement de centres de données, gestion de trafic. C'est aussi la méthode employée pour aligner le comportement des modèles de langage sur les préférences humaines.

L'apprentissage par renforcement demande énormément d'essais. On l'emploie donc surtout là où l'on peut simuler l'environnement à faible coût : un jeu se rejoue des millions de fois, pas une chaîne de production.

Le vocabulaire indispensable

Caractéristique (feature) — une variable décrivant un exemple : surface, nombre de pièces, code postal pour un bien immobilier.

Étiquette (label) — la réponse attendue, dans le cas supervisé.

Paramètres — les valeurs internes que le modèle ajuste pendant l'entraînement. Un grand modèle de langage en compte des milliards.

Hyperparamètres — les réglages choisis avant l'entraînement : vitesse d'apprentissage, taille du modèle, nombre d'itérations. Ils ne s'apprennent pas, ils se règlent.

Fonction de coût — la mesure de l'écart entre la prédiction et la vérité. Tout l'entraînement consiste à la faire diminuer.

Entraînement — le processus itératif d'ajustement des paramètres pour réduire ce coût.

Inférence — l'utilisation du modèle entraîné sur une donnée nouvelle. C'est ce qui se passe quand vous soumettez une question à un assistant.

Ne confondez jamais le coût de l'entraînement et celui de l'inférence. Entraîner peut demander des semaines de calcul et un investissement lourd, mais ne se fait qu'une fois. L'inférence est bien moins coûteuse à l'unité — mais elle se répète à chaque requête, et c'est elle qui pèse sur la facture d'exploitation.

Le déroulement d'un entraînement

Boucle d'entraînement : données, modèle, erreur, mise à jour des poids — La boucle d'apprentissage : prédire, mesurer l'erreur, corriger les poids, recommencer.

Constituer le jeu de données et le diviser en trois parties : entraînement, validation, test.
Choisir une architecture adaptée au problème et au volume disponible.
Entraîner : le modèle prédit, mesure son erreur, corrige ses paramètres, recommence.
Valider sur des données qu'il n'a jamais vues, pour régler les hyperparamètres.
Tester une seule fois, sur des données jamais utilisées, pour estimer la performance réelle.
Déployer, puis surveiller — les performances se dégradent avec le temps.

Le jeu de test ne doit servir qu'une fois, à la toute fin. Si vous ajustez le modèle en fonction de ses résultats sur le test, celui-ci cesse d'être un juge indépendant : vous mesurez alors votre capacité à optimiser sur ce jeu précis, pas la performance réelle sur des données nouvelles.

Quand l'IA n'est pas la bonne réponse

Une règle métier explicite reste préférable dans plusieurs cas :

La règle est connue et stable — un taux de TVA n'a pas besoin d'être appris.
La décision doit être justifiable ligne à ligne pour des raisons légales.
Les données sont trop peu nombreuses — quelques dizaines d'exemples ne suffisent pas.
Le coût d'une erreur est prohibitif et aucune supervision humaine n'est prévue.

Poser la question « aurais-je pu écrire la règle moi-même ? » avant de lancer un projet évite beaucoup de dépenses inutiles.

Comment un modèle se trompe

Comprendre les modes de défaillance aide à choisir les garde-fous.

L'erreur de généralisation. Le modèle a bien appris ses données, mais celles-ci ne représentaient pas la réalité d'usage. C'est le cas le plus fréquent, et il ne se corrige que par les données.

L'erreur sur les cas rares. Un cas peu représenté dans l'entraînement est mal traité. Le modèle ne signale pas cette faiblesse : il répond avec la même assurance.

L'erreur de corrélation fallacieuse. Le modèle s'est appuyé sur un indice sans rapport causal. Un exemple classique : un détecteur de pathologie qui apprend à reconnaître le type d'appareil radiologique, parce que les cas graves étaient examinés dans un service particulier.

La corrélation fallacieuse est particulièrement difficile à détecter, car le modèle affiche d'excellentes performances sur le jeu de test — lequel comporte le même artefact. Seule une évaluation sur des données issues d'un autre contexte la révèle. C'est un argument fort pour constituer un jeu de test provenant d'une source distincte.

L'ordre de grandeur des besoins

Ces repères aident à qualifier la faisabilité avant tout engagement.

Situation	Volume indicatif
Affiner un modèle existant sur une tâche voisine	quelques centaines d'exemples
Entraîner un classifieur simple sur données tabulaires	quelques milliers de lignes
Entraîner un modèle de vision depuis zéro	dizaines à centaines de milliers d'images
Entraîner un modèle de langage	corpus de très grande ampleur, hors de portée de la plupart des organisations

Si votre volume disponible se situe très en deçà de ces ordres de grandeur, la question n'est pas « quel algorithme choisir » mais « peut-on partir d'un modèle existant ». Dans la quasi-totalité des cas d'entreprise, la réponse est oui — et c'est ce qui rend ces projets accessibles.

Du critère métier à la fonction de coût

Avant de choisir un algorithme, traduisez le besoin en signal mesurable. « Détecter la fraude » n'est pas une spécification : il faut définir le taux de faux positifs acceptable, le coût d'un faux négatif, et la latence maximale de décision. Ces contraintes orientent la famille de modèles autant que la mode du moment.

La fonction de coût (ou de perte) formalise cet arbitrage. Une régression minimisera souvent une erreur quadratique ; une classification pourra optimiser une log-loss, une AUC ou un F1 selon le déséquilibre des classes. Changer la métrique change le comportement du modèle en production.

La métrique d'entraînement doit coller au coût réel de l'erreur. Optimiser la mauvaise cible produit un système « excellent » sur le papier et dangereux sur le terrain.

Jeux de données : train, validation, test

Séparez explicitement trois jeux : entraînement (apprendre), validation (régler hyperparamètres et early stopping), test (estimer la généralisation une seule fois). Mélanger test et validation, ou fuiter des informations du futur dans le passé (time leakage), donne des scores irréalistes.

Pour les séries temporelles et les processus métiers, respectez l'ordre chronologique. Un découpage aléatoire peut faire « voir demain » au modèle d'aujourd'hui.

Régularisation et capacité

Un modèle trop pauvre sous-apprend : il rate des motifs évidents. Un modèle trop riche surapprend : il mémorise le bruit du train. Dropout, weight decay, early stopping et data augmentation sont des freins classiques à la mémorisation.

Tracez les courbes train vs validation. L'écart qui se creuse signale souvent le surapprentissage avant même la mise en production.

Feature engineering vs représentation apprise

En apprentissage classique, l'essentiel du gain vient souvent des variables construites à la main (ratios, agrégats, ratios). En deep learning, le modèle apprend des représentations, mais les biais de collecte restent entiers. Ni l'une ni l'autre approche ne dispense d'une revue de qualité des données.

Checklist avant de industrialiser un modèle ML

Jeu de test figé et représentatif du trafic réel.
Seuils de décision validés avec les métiers (pas seulement l'accuracy).
Plan de suivi de dérive (data drift / concept drift).
Fallback humain documenté quand le score est ambigu.
Journalisation des entrées/sorties compatible RGPD et sécurité.

Le cycle d’apprentissage en langage métier

Un projet d’apprentissage automatique suit presque toujours le même cycle. On définit une tâche mesurable. On collecte et nettoie des données. On choisit une famille de modèles. On entraîne. On évalue hors des données d’entraînement. On déploie. On surveille. Chaque étape peut faire échouer le projet même si le modèle « marche en démo ».

La métrique mérite une attention particulière. Exactitude globale, précision, rappel, F1, AUC, erreur absolue moyenne : le choix n’est pas cosmétique. Sur une fraude rare, 99 % d’exactitude peut cacher un modèle inutile. Sur un diagnostic médical, un faux négatif n’a pas le même coût qu’un faux positif. Alignez la métrique sur la décision métier avant d’optimiser quoi que ce soit.

Un bon modèle sur une mauvaise métrique produit de mauvaises décisions en production.

Biais d’échantillonnage et fuite de données

Deux pièges techniques reviennent sans cesse. Le biais d’échantillonnage apparaît quand vos données d’entraînement ne représentent pas la réalité future (clients historiques ≠ nouveaux segments). La fuite de données apparaît quand une information du futur ou de la cible contamine les features d’entraînement : le score semble excellent, puis s’effondre en production.

Pour détecter la fuite, demandez-vous si chaque variable serait disponible au moment de la décision réelle. Pour le biais, comparez explicitement la distribution d’entraînement à celle de production (âge, géographie, canaux, saisonnalité).

Surapprentissage, sous-apprentissage : diagnostic simple

Un modèle sous-appris est trop simple : il rate des régularités évidentes sur le jeu d’entraînement comme sur le test. Un modèle surappris mémorise le bruit : excellent sur l’entraînement, médiocre sur le test. La régularisation, la validation croisée et un jeu de test figé aident à trancher.

En démonstration commerciale, méfiez-vous des scores obtenus sans protocole clair de séparation des données. Demandez la date de gel du jeu de test et la procédure de validation.

Feature engineering vs représentation apprise

Avant le deep learning, une grande partie de la performance venait du feature engineering : transformer des dates, ratios, agrégats, embeddings métier. Avec les réseaux profonds, une partie de cette représentation est apprise automatiquement, surtout en image et en texte. En tabular métier, le feature engineering reste souvent décisif.

Ne caricaturez pas : « deep learning partout » n’est pas une stratégie. Sur des tables petites et bruitées, un gradient boosting bien préparé bat souvent un réseau coûteux.

Mise en production : le modèle n’est qu’un service

En production, le modèle devient une API avec latence, versioning, monitoring et rollback. La dérive des données (data drift) et la dérive de concept (concept drift) doivent être instrumentées. Sans alerte, un modèle « validé » se dégrade silencieusement pendant des mois.

Budgettez autant de temps pour le monitoring que pour l’entraînement initial. C’est là que la valeur se protège.

Validation croisée et protocoles honnêtes

La validation croisée k-fold estime la variance de performance quand les données sont limitées. Elle ne remplace pas un jeu de test final gelé. Sur séries temporelles ou groupes corrélés (même patient, même client), utilisez une validation par groupe pour éviter la fuite. Documentez le protocole dans le dépôt : seed, splits, date de gel. Un résultat non reproductible n’est pas un résultat.

En entreprise, exigez que la même pipeline d’évaluation tourne en CI sur un échantillon de non-régression. Cela détecte tôt les régressions silencieuses après un « petit » changement de preprocessing.

L'essentiel à retenir

L'apprentissage automatique remplace les règles écrites par des régularités dégagées des données. Trois familles coexistent : le supervisé, qui exige des données étiquetées et couvre la majorité des usages en entreprise ; le non supervisé, qui découvre seul une structure ; le renforcement, fondé sur essais et récompenses. Le jeu de test doit rester intact jusqu'à l'évaluation finale sous peine de mesurer une performance illusoire.

Questions fréquentes

Quelle est la différence entre apprentissage supervisé et non supervisé ?

L'apprentissage supervisé utilise des données accompagnées de la réponse attendue, appelée étiquette. L'apprentissage non supervisé ne dispose d'aucune réponse : le modèle doit dégager seul une structure dans les données, par exemple en regroupant des éléments similaires.

Combien de données faut-il pour entraîner un modèle ?

Cela dépend de l'approche. Adapter un modèle existant peut se faire avec quelques centaines à quelques milliers d'exemples. Entraîner un modèle depuis zéro en exige des dizaines de milliers au minimum. Le volume nécessaire croît avec le nombre de paramètres du modèle.

Qu'est-ce qu'un hyperparamètre ?

Un hyperparamètre est un réglage choisi avant l'entraînement, comme la vitesse d'apprentissage ou la taille du modèle. Il se distingue des paramètres, qui sont les valeurs internes ajustées automatiquement pendant l'entraînement. Les hyperparamètres se règlent, les paramètres s'apprennent.

Quelle est la différence entre entraînement et inférence ?

L'entraînement est la phase d'ajustement du modèle sur les données ; il est coûteux mais ne se fait qu'une fois. L'inférence est l'utilisation du modèle entraîné sur une donnée nouvelle ; elle coûte peu à l'unité mais se répète à chaque requête, et constitue le coût récurrent d'exploitation.

Quand faut-il éviter d'utiliser l'IA ?

Quand la règle métier est connue et stable, quand la décision doit être justifiable ligne à ligne pour des raisons légales, quand les données disponibles sont trop peu nombreuses, ou quand le coût d'une erreur est prohibitif sans supervision humaine prévue.

Qu'est-ce que l'apprentissage par renforcement ?

C'est une méthode où un agent agit dans un environnement et reçoit une récompense ou une pénalité selon le résultat. Par essais répétés, il découvre la stratégie qui maximise la récompense cumulée. On l'emploie en robotique, dans les jeux, et pour aligner les modèles de langage sur les préférences humaines.

Classification ou régression : quelle différence ?

La classification attribue une catégorie — spam ou légitime, fraude ou non. La régression prédit une valeur continue — un prix, une durée, une température. Les deux relèvent de l'apprentissage supervisé et se distinguent par la nature de ce qu'on cherche à prédire.

Progression sauvegardée dans votre navigateur.

Quiz de validation

Quiz indisponible (données invalides).

Vos projets IA sont-ils sécurisés ? Audit LLM, conformité AI Act, red teaming — devis sous 48h.

Devis gratuit