Apprentissage automatique : principes et usages pour bien débuter

Un client m'appelle l'année dernière, paniqué. Sa "solution d'IA" venait de classer une demande de crédit immobilier comme risquée à cause d'un code postal. Le modèle avait appris, tout seul, que les quartiers où il avait fait ses stages marketing étaient "moins fiables". Personne n'avait programmé ça. Et c'est exactement ce qui rend l'apprentissage automatique fascinant et terrifiant à la fois.

Le machine learning, ou apprentissage automatique, c'est cette idée simple en apparence : au lieu d'écrire des règles à la main, on donne des exemples à une machine et on la laisse déduire les règles. Sauf que dans les faits, cette simplicité cache une discipline qui a ses principes, ses pièges et ses usages très concrets. Voyons ça ensemble, sans jargon inutile.

Apprentissage automatique : le principe avant la promesse

Un logiciel classique fonctionne comme une recette. Vous écrivez : si le montant dépasse 500 € et que le client est en retard de paiement, alors déclencher une alerte. Chaque cas doit être anticipé. Le problème arrive quand les cas deviennent trop nombreux pour tenir dans votre tête.

L'apprentissage automatique inverse la logique. On présente des milliers d'exemples passés à un algorithme, et celui-ci ajuste des paramètres jusqu'à reproduire correctement les réponses attendues. Le modèle final n'est pas une liste de règles lisibles : c'est un ensemble de valeurs numériques. D'où cette sensation étrange, quand on ouvre le fichier, de ne rien comprendre à ce qu'on voit.

Je me souviens de ma première tentative, il y a quelques années, sur un jeu de données de tickets support. J'avais passé deux semaines à peaufiner l'algorithme. Résultat : 61 % de bonnes catégorisations. Frustrant. J'ai passé trois jours à nettoyer les libellés incohérents. Le score est monté à 84 %, sans toucher une ligne de code.

Une définition qui tient en une phrase

L'apprentissage automatique est un champ de l'intelligence artificielle où la machine extrait des régularités d'un jeu de données pour produire un modèle capable de traiter de nouveaux cas qu'elle n'a jamais vus.

Cette capacité de généralisation est le cœur du sujet. Un modèle qui se contente de mémoriser les exemples d'entraînement ne sert à rien. C'est pourtant ce qui arrive quand on néglige le surapprentissage, dont je reparle plus bas.

Où se situe le machine learning par rapport à l'IA et au deep learning

Trois cercles concentriques, en quelque sorte. L'intelligence artificielle est l'ensemble le plus large : toute technique visant à faire accomplir à une machine des tâches jugées "intelligentes".

Le machine learning occupe une large part de ce domaine, mais pas la totalité : les systèmes experts à base de règles codées à la main appartiennent à l'IA sans relever de l'apprentissage.

• IA : la catégorie générale.
• Apprentissage automatique : les méthodes qui apprennent à partir de données.
• Apprentissage profond (deep learning) : une sous-discipline du machine learning, fondée sur des réseaux de neurones à nombreuses couches, particulièrement efficace sur les images, le son et le texte.

Quels sont les 3 principaux types d'apprentissage automatique ?

C'est la question qu'on me pose le plus souvent en formation, et c'est aussi celle qui structure tout le reste. La réponse tient en trois familles, chacune adaptée à une situation différente.

L'apprentissage supervisé

Vous disposez de données étiquetées : chaque exemple arrive avec la bonne réponse. Des photos marquées "chat" ou "chien". Des dossiers clients marqués "défaut de paiement" ou "remboursé".

Le modèle apprend en comparant sa prédiction à l'étiquette réelle, puis corrige ses paramètres. C'est de loin la famille la plus utilisée en entreprise. Deux grandes tâches s'y rattachent :

1. La classification : prédire une catégorie (spam ou non-spam, malade ou sain).
2. La régression : prédire une valeur continue (le prix d'un bien, le délai de livraison).

Son point faible ? L'étiquetage coûte cher. Sur un projet de détection de défauts industriels, nous avons passé un mois à faire annoter 12 000 images par des techniciens. Le modèle, lui, a été entraîné en une après-midi.

L'apprentissage non supervisé

Ici, pas d'étiquettes. On donne les données brutes, et l'algorithme cherche des structures cachées. Regroupements de clients similaires. Détection de transactions atypiques. Réduction de dimension pour visualiser des données complexes.

Un détail que beaucoup découvrent trop tard : le regroupement produit toujours des groupes, même sur des données totalement aléatoires. C'est à vous, humain, de juger si ces groupes racontent quelque chose de sensé. J'ai vu des équipes présenter fièrement trois segments clients… qui correspondaient en réalité à des différences de saisie dans le formulaire d'inscription.

L'apprentissage par renforcement

Un agent évolue dans un environnement, agit, reçoit une récompense ou une pénalité, et ajuste sa stratégie. Pas de jeu de données étiqueté : l'expérience construit les données au fur et à mesure.

C'est la famille qui a rendu célèbres les programmes capables de battre des champions aux échecs ou au jeu de go. En entreprise, elle sert surtout là où l'on peut simuler un environnement : optimisation de tournées, réglage de paramètres industriels, robotique.

Type	Données nécessaires	Usage typique	Difficulté principale
Supervisé	Étiquetées	Prédire une catégorie ou une valeur	Coût de l'annotation
Non supervisé	Brutes	Regrouper, détecter l'anomalie	Interprétation des résultats
Par renforcement	Aucune au départ	Décider dans un environnement	Besoin d'un simulateur fiable

Bon, et la question qui suit naturellement : comment choisir ?

Comment choisir le bon type

Deux questions suffisent dans la majorité des cas. Vos données sont-elles étiquetées ? Si oui, cap sur le supervisé. Si non, demandez-vous si vous cherchez une structure (non supervisé) ou si vous devez agir de manière répétée dans un environnement avec retour d'expérience (renforcement).

Franchement, la deuxième question élimine souvent le renforcement d'office : peu d'équipes disposent d'un simulateur crédible et du temps nécessaire. Avouons-le, la plupart des projets qui prétendent en faire se contentent en réalité d'un bon modèle supervisé bien réglé.

Les usages concrets, loin des démonstrations

Les moteurs de recommandation, la détection de fraude bancaire, l'aide au diagnostic médical, la maintenance prédictive sur des lignes de production, le tri automatique de candidatures : la liste est longue. Mais derrière chaque cas d'usage réussi, il y a la même mécanique.

Prenons la maintenance prédictive, que j'ai suivie de près sur un site industriel. Des capteurs remontent des vibrations, des températures, des cycles. Le modèle apprend à repérer les signaux qui précèdent une panne. Sur ce projet, nous avons réduit les arrêts non planifiés d'environ un tiers sur les six premiers mois. Mais attention : la première version du modèle criait au loup toutes les deux heures. Il a fallu deux itérations pour calibrer le seuil d'alerte, en concertation avec les techniciens. Un modèle trop sensible finit ignoré par ceux qui devraient l'écouter.

La qualité des données passe avant l'algorithme

Une donnée manquante remplie à zéro. Une colonne dont l'unité change selon l'import. Des étiquettes saisies par deux personnes différentes avec deux conventions. Ce sont ces détails qui plombent les projets, pas le choix entre deux algorithmes.

Ma règle personnelle : si vous ne pouvez pas expliquer à un collègue d'où vient chaque colonne et ce qu'elle signifie, ne lancez pas l'entraînement.

Le surapprentissage, cette erreur qui ne se voit pas

Un modèle en surapprentissage performe à merveille sur les données d'entraînement et s'effondre sur les nouvelles. C'est le piège classique, et il est sournois parce que les premiers chiffres vous donnent raison.

D'où l'intérêt de garder de côté une portion des données, jamais montrée pendant l'entraînement, pour mesurer honnêtement la performance. Sur mon premier modèle de prévision de ventes, j'avais obtenu une précision de 96 %. Sur les données de test réelles : 54 %. Deux jours de travail à la poubelle, et une leçon retenue.

Biais et cadre réglementaire

Le cas du client dont je parlais au début illustre le problème : un modèle apprend depuis des données historiques, et si ces données portent des inégalités passées, il les reproduit. Voire les amplifie.

En Europe, le sujet n'est plus théorique. Les systèmes utilisés dans des contextes sensibles (recrutement, crédit, santé) font l'objet d'obligations renforcées en matière de transparence et d'évaluation. Ça alourdit les projets, c'est vrai. Ça m'a aussi obligé à documenter mes choix de variables bien plus sérieusement, et honnêtement, mes modèles s'en sont trouvés meilleurs.

Par où commencer quand on veut se lancer

Pas besoin d'un doctorat. Il faut comprendre les principes, savoir manipuler des données, et accepter de passer plus de temps à nettoyer qu'à modéliser.

• Choisir un jeu de données réel, imparfait, qui vous concerne.
• Commencer par un modèle simple, même une simple régression. Il sert de référence.
• Réserver un jeu de test, et ne plus y toucher.
• Regarder les erreurs du modèle une par une, à la main. C'est là qu'on apprend le plus.

Et accepter que le premier résultat soit médiocre. C'est normal. La valeur se construit dans les itérations, pas dans la première exécution.

Ce qui me frappe, après toutes ces années, c'est que la partie technique n'est jamais le vrai obstacle. La difficulté, c'est de savoir quelle décision le modèle est censé éclairer, et si cette décision mérite d'être automatisée. Un modèle qui prédit parfaitement une chose que personne n'utilisera ne vaut rien. La prochaine fois que vous entendrez parler d'un projet d'apprentissage automatique, posez cette question avant toutes les autres : quelle décision change dans la vraie vie, et qui la prend ?