Numérique · Intelligence artificielle
Apprentissage automatique
L’apprentissage automatique (machine learning) est une branche de l’intelligence artificielle dans laquelle un programme apprend à accomplir une tâche à partir d’exemples, au lieu d’être programmé règle par règle.
Mis à jour le 4 min de lecture
Écrire à la main les règles qui distinguent un chat d’un chien sur une photo est pratiquement impossible. L'apprentissage automatique inverse la démarche : on montre au programme des milliers de photos étiquetées, et un algorithme ajuste un modèle mathématique jusqu’à ce qu’il classe correctement les exemples, puis de nouvelles images. L’expression machine learning a été popularisée en 1959 par Arthur Samuel, chercheur d’IBM, à propos d’un programme de jeu de dames qui progressait en jouant.
C’est aujourd’hui la principale approche de l'intelligence artificielle.
Les trois grands types d’apprentissage
| Type | Données | Objectif | Exemples |
|---|---|---|---|
| Supervisé | Exemples avec la bonne réponse (étiquettes) | Prédire l’étiquette de nouveaux cas | Détection de spam, estimation d’un prix, diagnostic sur image |
| Non supervisé | Exemples sans étiquette | Découvrir des structures cachées | Segmentation de clientèle, détection d’anomalies |
| Par renforcement | Interactions avec un environnement et récompenses | Apprendre une stratégie qui maximise la récompense | Jeux (AlphaGo), robotique, optimisation |
Apprentissage supervisé
On fournit des couples (entrée, réponse attendue). Deux tâches principales :
- Classification : prédire une catégorie (spam / non-spam, chat / chien).
- Régression : prédire une valeur numérique (prix d’un appartement selon sa surface, son quartier, son étage).
Apprentissage non supervisé
Le modèle cherche seul des régularités :
- Partitionnement (clustering) : regrouper des clients aux comportements proches.
- Réduction de dimension : résumer des données à nombreuses variables pour les visualiser.
- Détection d’anomalies : repérer une transaction bancaire inhabituelle.
Apprentissage par renforcement
Un agent agit, observe le résultat et reçoit une récompense ou une pénalité. À force d’essais, il apprend la stratégie la plus payante. C’est ainsi qu’AlphaGo a progressé en jouant des millions de parties contre lui-même.
Les approches intermédiaires
- Auto-supervisé : le modèle se crée ses propres exercices à partir de données brutes, par exemple prédire le mot suivant d’un texte. C’est la base du pré-entraînement des grands modèles de langage.
- Semi-supervisé : quelques exemples étiquetés et beaucoup de non étiquetés.
Les principaux modèles
| Modèle | Principe | Usage typique |
|---|---|---|
| Régression linéaire ou logistique | Combinaison pondérée des variables | Prévisions simples, scores de risque |
| Arbre de décision | Suite de questions oui / non | Décisions explicables |
| Forêt aléatoire, gradient boosting | Combinaison de nombreux arbres | Données tabulaires (très performant) |
| k plus proches voisins | Classer selon les exemples les plus semblables | Recommandation simple |
| k-moyennes (k-means) | Regrouper en k groupes | Segmentation |
| Réseaux de neurones | Couches de calculs ajustés par entraînement | Images, son, langage |
L'apprentissage profond (deep learning) désigne l’usage de réseaux de neurones à nombreuses couches ; voir réseaux de neurones.
Les étapes d’un projet
- Définir le problème et la mesure du succès.
- Collecter et préparer les données : nettoyage, valeurs manquantes, choix des variables. C’est souvent la majorité du travail.
- Séparer les données en jeu d’entraînement, de validation et de test.
- Entraîner plusieurs modèles.
- Évaluer sur des données jamais vues (précision, rappel, erreur moyenne…).
- Déployer le modèle dans une application.
- Surveiller ses performances dans le temps, car les données réelles évoluent.
Les pièges classiques
- Surapprentissage (overfitting) : le modèle apprend par cœur les exemples, y compris leur bruit, et généralise mal. Comme un élève qui retient les corrigés sans comprendre la méthode.
- Sous-apprentissage : le modèle est trop simple pour capter le phénomène.
- Biais des données : si les exemples reflètent des discriminations passées (recrutement, crédit), le modèle les reproduit.
- Fuite de données : une information sur la réponse se glisse dans les variables d’entrée, donnant des résultats trompeusement bons.
- Corrélation n’est pas causalité : un modèle prédit, il n’explique pas pourquoi.
Exemples d’usages quotidiens
- Filtres anti-spam des messageries.
- Recommandations de films, de musique ou de produits.
- Détection de fraude à la carte bancaire.
- Reconnaissance vocale et traduction automatique.
- Prévision de la consommation d’électricité.
- Tri automatique des photos par visage ou par lieu.
Questions fréquentes
Quelle différence entre IA et apprentissage automatique ?
L’IA est le domaine général ; l’apprentissage automatique en est une méthode, aujourd’hui dominante. Il existe des IA sans apprentissage (systèmes experts à règles).
Quelle différence entre machine learning et deep learning ?
Le deep learning est une famille de méthodes de machine learning qui utilise des réseaux de neurones à nombreuses couches. Il excelle sur les images, le son et le texte ; pour des données en tableau, des méthodes plus classiques sont souvent aussi bonnes.
Faut-il beaucoup de données ?
Cela dépend de la tâche et du modèle : quelques centaines d’exemples peuvent suffire pour un modèle simple, alors que les grands modèles de langage sont entraînés sur des milliers de milliards de mots. Réutiliser un modèle pré-entraîné réduit fortement le besoin.
Quels langages pour faire du machine learning ?
Principalement Python, avec des bibliothèques comme scikit-learn, PyTorch ou TensorFlow, et SQL pour accéder aux données. Voir langages de programmation.