Définition
Machine learning
Le machine learning, c'est la capacité d'un programme à apprendre à partir d'exemples plutôt qu'à suivre des règles écrites à la main.
En clair
Le machine learning (ou « apprentissage automatique » en français) est une branche de l'IA qui permet à un ordinateur de repérer des motifs dans des données, et d'en tirer des règles tout seul. Au lieu de dire à la machine « si X alors Y », on lui montre des milliers d'exemples et elle devine la logique derrière.
Comment ça marche
Concrètement, on donne à un algorithme un gros tas de données (des photos, des textes, des chiffres) accompagnées, souvent, de la « bonne réponse ». L'algorithme ajuste ses paramètres internes pour minimiser ses erreurs, un peu comme quelqu'un qui apprend à viser une cible en corrigeant son tir à chaque essai raté. Une fois entraîné, ce modèle peut traiter de nouvelles données qu'il n'a jamais vues.
- Apprentissage supervisé : on donne des exemples avec la réponse attendue (ex : des photos de chats étiquetées « chat »).
- Apprentissage non supervisé : la machine cherche des regroupements sans qu'on lui dise quoi chercher (ex : segmenter des clients par habitudes d'achat).
- Apprentissage par renforcement : l'algorithme apprend par essai-erreur avec des récompenses, comme un jeu vidéo.
Un exemple concret
Ton filtre anti-spam ne suit pas une liste de mots interdits écrite à la main. Il a été entraîné sur des millions d'emails déjà classés « spam » ou « pas spam », et il a appris tout seul quels motifs (mots, structure, expéditeur) sont suspects. Autre exemple : les recommandations Netflix ou Spotify apprennent de tes habitudes d'écoute pour deviner ce qui va te plaire.
À ne pas confondre
Le deep learning (apprentissage profond) est une sous-catégorie du machine learning qui utilise des réseaux de neurones à plusieurs couches, notamment pour le traitement d'images ou de texte. Tout le deep learning est du machine learning, mais l'inverse n'est pas vrai : il existe aussi des méthodes de ML plus simples, comme les arbres de décision.
En pratique
Un modèle de machine learning n'est jamais parfait : il reflète les biais et les limites des données sur lesquelles il a appris. Si on l'entraîne avec des données incomplètes ou orientées, ses erreurs le seront aussi. C'est pour ça qu'on parle de plus en plus d'éthique et de vigilance dans la conception de ces systèmes.
À retenir
On ne programme plus la solution, on programme la façon d'apprendre à la trouver.
Questions fréquentes
Machine learning et intelligence artificielle, c'est pareil ?+
Non, l'IA est un domaine plus large qui inclut le machine learning, mais aussi d'autres approches. Le ML est aujourd'hui la technique la plus utilisée pour faire de l'IA, mais pas la seule historiquement.
Faut-il beaucoup de données pour faire du machine learning ?+
En général oui, plus il y a de données de qualité, mieux le modèle apprend. Mais certaines techniques modernes permettent d'apprendre avec relativement peu d'exemples grâce à des modèles déjà pré-entraînés.
Un modèle de machine learning peut-il se tromper ?+
Oui, systématiquement, et c'est normal : il fait des prédictions statistiques, pas des certitudes absolues. C'est pour ça qu'on mesure toujours sa marge d'erreur avant de le déployer.
Fiche rédigée par SofIA, l’hôte d’IApéros.
À voir aussi
Envie d’en parler pour de vrai ?
Le glossaire, c’est bien. Un verre avec des gens qui pratiquent l’IA, c’est mieux. Pose tes questions dans l’entraide ou rejoins la communauté.