Comprendre le fonctionnement de l'apprentissage automatique, vraiment
On m'a posé cette question des dizaines de fois en formation, et à chaque fois je vois la même chose : les gens répètent une définition apprise par cœur sans avoir la moindre idée de ce qui se passe à l'intérieur. « C'est quand la machine apprend toute seule à partir de données. » Très bien. Et après ? Comment elle apprend, au juste ? Par quel mécanisme ?
La réponse tient en une phrase que je vais dérouler tout au long de cet article : un modèle d'apprentissage automatique est une fonction mathématique dont on ajuste les paramètres par essais-erreurs jusqu'à ce que ses prédictions collent aux données qu'on lui montre. C'est tout. Pas de magie, pas de cerveau numérique qui « comprend ». Des millions de petits réglages, corrigés en boucle.
Une image m'aide à l'expliquer : imaginez une table de mixage avec des milliers de potentiomètres. Au départ, ils sont tous réglés au hasard et le son qui sort est une bouillie. Vous écoutez ce que vous vouliez obtenir, vous tournez un peu chaque bouton dans le sens qui rapproche du résultat, et vous recommencez. Un million de fois. Voilà l'entraînement.
Points clés à retenir
- Un modèle apprend en ajustant des paramètres, pas en mémorisant une recette écrite à l'avance.
- La fonction de perte mesure l'écart entre la prédiction et la vérité ; c'est le seul juge de la progression.
- La descente de gradient est la méthode qui dit, à chaque paramètre, dans quel sens le bouger.
- Les trois grands régimes d'apprentissage (supervisé, non supervisé, par renforcement) se distinguent par la nature du signal reçu.
- Un modèle qui réussit à l'entraînement mais échoue en production souffre de sur-apprentissage.
- IA, apprentissage automatique, apprentissage profond et IA générative sont des poupées russes, pas des synonymes.
Le mécanisme interne que personne n'explique
La plupart des articles sautent cette partie. Ils vous disent qu'« un algorithme trouve des motifs dans les données », puis passent aux applications. Problème : « trouver des motifs » ne veut rien dire de concret. Alors prenons un exemple minuscule et suivons-le jusqu'au bout.
Un modèle ridiculement simple
Vous voulez prédire le prix d'un appartement à partir de sa surface. Vous posez :
prix = a × surface + b
Deux paramètres : a et b. Vous partez de valeurs absurdes, disons a = 1 et b = 0. Pour un 50 m², le modèle annonce 50 €. Le vrai prix était 250 000 €. L'écart est énorme.
La fonction de perte, le seul juge
On mesure cet écart avec une fonction de perte. La plus courante pour ce genre de problème met au carré la différence entre prédiction et valeur réelle, puis moyenne sur l'ensemble du jeu de données. Le carré punit sévèrement les grosses erreurs, ce qui force le modèle à traiter en priorité les cas où il se trompe le plus.
La perte n'est pas un détail technique. C'est le seul retour d'information dont dispose le modèle. Si vous choisissez une mauvaise perte, il optimisera exactement ce que vous lui avez demandé d'optimiser, même si ce n'est pas ce qui vous intéresse. J'ai vu un modèle de scoring crédit parfaitement calibré sur une métrique... et catastrophique sur la détection des dossiers réellement risqués.
La descente de gradient : comment on bouge les boutons
Maintenant, la question à un million : dans quel sens tourner chaque paramètre ? Ici intervient le calcul différentiel. On calcule la dérivée de la perte par rapport à chaque paramètre. Concrètement, ça dit : « si j'augmente a d'une pincée, la perte monte ou descend ? »
On déplace chaque paramètre dans la direction qui fait baisser la perte, d'un pas plus ou moins grand. Et c'est tout. On répète l'opération des milliers, des millions de fois. À chaque itération, les prédictions se rapprochent un peu des vraies valeurs. Ce processus porte un nom : la descente de gradient.
La taille du pas compte énormément. Trop grand, vous dépassez le bon réglage et vous oscillez sans jamais vous poser. Trop petit, l'entraînement prend une éternité. C'est l'un des hyperparamètres qu'on règle à la main, et je vous avoue que j'ai passé des après-midi entiers dessus au début, sans comprendre pourquoi mon modèle refusait de converger.
Les trois façons dont une machine apprend
Le signal d'erreur ne vient pas toujours d'une étiquette correcte. C'est même là que se joue la distinction majeure : d'où vient le retour qui permet de corriger les paramètres ?
L'apprentissage supervisé
On fournit au modèle des exemples déjà étiquetés : photo + « chat », transaction + « frauduleuse », email + « spam ». Le modèle compare sa prédiction à l'étiquette et se corrige. C'est le régime le plus courant en entreprise, et de loin le plus facile à évaluer.
Sa contrainte ? Les étiquettes. Annoter correctement dix mille images prend des semaines et coûte cher. J'ai estimé une fois qu'un projet de classification documentaire mobilisait environ un tiers du budget total rien qu'en annotation. Vous ne compétiez pas sur le modèle, vous compétiez sur la qualité des données d'entrée.
L'apprentissage non supervisé
Pas d'étiquettes. Le modèle cherche des structures : regroupements, similarités, dimensions dominantes. On l'utilise pour segmenter une clientèle, détecter des comportements atypiques, compresser des données.
Le hic, c'est l'évaluation. Sans vérité de référence, comment savoir si les groupes trouvés ont un sens ? Un regroupement peut être mathématiquement net et commercialement inutile. C'est un régime puissant mais qui demande de l'interprétation humaine à la sortie.
L'apprentissage par renforcement
Là, le modèle agit dans un environnement et reçoit une récompense. Il ne cherche pas à imiter un exemple, il cherche à maximiser le score cumulé sur la durée. C'est le régime des agents qui apprennent à jouer, à piloter, à optimiser une tournée de livraison.
La difficulté est cruelle : la récompense arrive souvent longtemps après l'action qui l'a provoquée. Attribuer le crédit à la bonne décision passée, dans une longue séquence, reste un problème ouvert.
IA, machine learning, deep learning : comment s'y retrouver
Les quatre termes tournent en boucle et sont utilisés comme des synonymes. Ils ne le sont pas. Voyez-les comme des poupées russes : chaque niveau est contenu dans le précédent.
| Terme | Ce que ça recouvre | Quand ça date |
|---|---|---|
| Intelligence artificielle | Le projet le plus large : toute technique visant à faire accomplir à une machine des tâches qui demandent de l'intelligence à un humain. Inclut les systèmes à base de règles écrites à la main. | Depuis les années 1950 |
| Apprentissage automatique | Le sous-ensemble où l'on n'écrit pas les règles : on laisse le modèle les déduire des données. | S'est imposé dans les années 2000-2010 |
| Apprentissage profond | Une famille de modèles à nombreuses couches empilées, capables de construire leurs propres représentations intermédiaires. Excellent sur l'image, le son, le texte. | Explose à partir de 2012 |
| IA générative | Des modèles profonds entraînés à produire du contenu neuf : texte, image, son, code. | Grand public depuis peu |
La différence décisive entre IA classique et apprentissage automatique tient en un mot : les règles. Un système expert des années 1980 codait à la main « si la température dépasse X et que la pression chute, alors alerte ». Un modèle d'apprentissage automatique, on lui donne des milliers d'historiques et il déduit lui-même le seuil. Vous n'avez pas écrit la règle. Vous avez fourni de quoi la découvrir.
Les pièges qui guettent
Un modèle qui atteint 99 % de réussite sur ses données d'entraînement peut se révéler pitoyable sur des données neuves. Ce phénomène a un nom et il cause plus de projets ratés que n'importe quelle erreur technique : le sur-apprentissage.
Pourquoi un modèle « trop parfait » est suspect
Le modèle a mémorisé les exemples au lieu d'en tirer la règle générale. C'est l'élève qui apprend les réponses par cœur sans comprendre le raisonnement. Dès qu'on lui pose un exercice légèrement différent, il s'effondre.
La parade est simple dans son principe : on met de côté une partie des données, que le modèle ne voit jamais pendant l'entraînement, et on mesure sa performance dessus. Si l'écart entre les deux scores se creuse, vous surapprenez. Si les deux scores sont mauvais, vous sous-apprenez. Dans les deux cas, ce n'est pas le modèle qu'il faut blâmer, c'est le réglage.
Les biais copiés sur les données
Un modèle n'invente pas de préjugés, il reproduit ceux présents dans ses données. Un jeu de recrutement historiquement défavorable à un profil donné produira un filtre qui pénalise ce profil. Le modèle applique fidèlement ce qu'on lui a montré. C'est mécanique, pas malveillant, et c'est exactement ce qui le rend dangereux : le biais est invisible dans le code, il est dans les chiffres.
La seule parade que je connaisse : regarder les données avant de regarder le modèle. Qui est représenté ? Qui manque ? Sur quoi porte réellement l'étiquette ? J'ai vu des équipes passer trois semaines à optimiser une architecture, alors que leur vrai problème tenait à un jeu de données mal collecté.
Ce que ça change pour vous
Vous savez maintenant ce qui se cache derrière le mot « apprendre » : une fonction paramétrée, une mesure d'erreur, et une correction répétée jusqu'à convergence. Rien de mystérieux, mais rien de trivial non plus.
La conséquence pratique est contre-intuitive. La qualité d'un système d'apprentissage automatique dépend moins de la finesse de l'algorithme que de la qualité et de la quantité des données qu'on lui donne. Les meilleurs modèles du moment sont souvent des variations d'architectures connues, nourries mieux que les autres.
Alors la prochaine fois qu'on vous présentera une solution « qui apprend toute seule », demandez quelles données l'ont nourrie, comment l'erreur a été mesurée et sur quoi le modèle a été testé. Les réponses vous diront tout. Le reste, c'est de la table de mixage.
