Niveau : Débutant
IA, machine learning, deep learning : quelles différences ?
Par La rédaction d'Info Agent IA ·
L’intelligence artificielle est le grand domaine, le machine learning est une façon d’y parvenir en apprenant à partir d’exemples, et le deep learning est une technique de machine learning fondée sur des réseaux de neurones à nombreuses couches. Les trois s’emboîtent comme des poupées russes : tout le deep learning est du machine learning, et tout le machine learning relève de l’IA, mais l’inverse n’est pas vrai.
La réponse courte : trois cercles emboîtés
Imaginez trois cercles. Le plus grand, c’est l’IA. Dedans, un cercle plus petit : le machine learning, ou apprentissage automatique. Au cœur, le plus petit cercle : le deep learning, ou apprentissage profond.
Cette image suffit pour lire la plupart des articles sur le sujet. Quand on vous parle de ChatGPT, de reconnaissance vocale ou de génération d’images, on parle du cercle central. Quand on parle d’un vieux programme d’échecs ou d’un logiciel qui applique des règles écrites à la main, on reste dans le grand cercle, sans entrer dans les deux autres.
Si vous débutez, le guide pour comprendre l’intelligence artificielle pose le cadre général. Ici, on se concentre sur ce qui distingue les trois notions.
L’intelligence artificielle : le but
L’intelligence artificielle désigne l’ensemble des techniques qui permettent à une machine d’accomplir des tâches que l’on associe à l’intelligence humaine : comprendre une phrase, reconnaître un visage, jouer, planifier, rédiger.
L’expression apparaît dans une proposition de recherche datée du 31 août 1955, signée par John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon. Elle annonçait l’atelier de Dartmouth de l’été 1956, considéré comme l’acte de naissance du domaine.
Point important : l’IA ne dit rien de la méthode. Pendant des décennies, une grande partie de l’IA reposait sur des règles écrites par des humains. Les « systèmes experts » des années 1980, par exemple, enchaînaient des milliers de consignes du type « si tel symptôme, alors telle hypothèse ». C’est de l’IA, mais pas du machine learning : la machine n’apprend rien, elle applique.
Le machine learning : apprendre par l’exemple
Le machine learning inverse la logique. Au lieu d’écrire toutes les règles, on montre au programme un grand nombre d’exemples déjà classés, et il découvre lui-même les indices utiles.
L’exemple classique est le filtre anti-spam. Écrire à la main toutes les règles d’un courriel indésirable est impossible. On fournit donc des courriels marqués « spam » ou « pas spam ». Ces exemples forment les données d’entraînement. Le programme en tire un modèle, qui sait ensuite trier des courriels qu’il n’a jamais vus.
L’idée date de loin : en 1959, Arthur Samuel, chercheur chez IBM, publie un article sur un programme de jeu de dames qui s’améliore en jouant, et y emploie l’expression « machine learning ». Aujourd’hui, le machine learning sert à détecter une fraude bancaire, à prévoir une demande d’électricité ou à recommander une série.
Le deep learning : des réseaux de neurones en couches
Le deep learning est une famille de techniques de machine learning. Sa particularité : il utilise des réseaux de neurones artificiels empilés en de nombreuses couches. Le mot « profond » décrit cet empilement, pas une réflexion profonde.
Sur une photo, les premières couches repèrent des contours, les suivantes des formes, puis des objets entiers. Personne n’écrit ces étapes : le réseau les découvre à partir des exemples. C’est la grande différence avec le machine learning classique, où des humains choisissent souvent à l’avance les caractéristiques à observer (le montant d’un paiement, l’heure, le pays).
Les bases sont anciennes : le premier modèle mathématique d’un neurone artificiel date de 1943. Le déclic arrive en 2012, quand l’équipe de Geoffrey Hinton remporte nettement la compétition de reconnaissance d’images ImageNet. Il a fallu attendre deux ingrédients : des masses de données numériques et des puces de calcul adaptées, les GPU.
Le tableau comparatif
| Intelligence artificielle | Machine learning | Deep learning | |
|---|---|---|---|
| En une phrase | Le domaine : faire accomplir des tâches « intelligentes » à une machine | Une méthode : apprendre à partir d’exemples | Une technique de machine learning à base de réseaux de neurones profonds |
| Repère historique | Proposition de Dartmouth, 1955 | Article d’Arthur Samuel, 1959 | Neurone formel en 1943, déclic en 2012 |
| Qui fixe les règles ? | Des humains ou des données, selon l’approche | Les données, à partir d’indices souvent choisis par des humains | Les données, y compris le choix des indices |
| Besoin en données | Variable, parfois aucune | Modéré à important | Très important |
| Besoin en calcul | Variable | Modéré | Très élevé, souvent sur GPU |
| Explicabilité | Bonne pour les règles écrites | Souvent correcte | Difficile |
| Exemple du quotidien | GPS qui calcule un itinéraire | Filtre anti-spam, alerte de fraude | Assistant IA, transcription vocale, photos triées par visage |
Ce tableau décrit des tendances générales, pas des lois. Certains modèles de machine learning classique sont difficiles à expliquer, et certains réseaux de neurones sont petits.
Et ChatGPT, l’IA générative, les LLM ?
Ces mots s’ajoutent à l’intérieur du plus petit cercle. Un grand modèle de langage, ou LLM, est un réseau de neurones profond, entraîné sur d’immenses quantités de textes pour prédire la suite d’un texte. Presque tous reposent sur l’architecture Transformer, présentée par des chercheurs de Google en 2017.
ChatGPT est un assistant construit sur ce type de modèle. C’est donc de l’IA, du machine learning, du deep learning, et plus précisément de l’IA générative, car il produit du contenu nouveau. Pour aller plus loin, lisez ce qu’est un LLM et comment fonctionne ChatGPT, expliqués sans jargon.
Vérifiez-vous Un logiciel de calcul d'impôt qui applique le barème officiel, ligne par ligne, fait-il du machine learning ?
Non. Il applique des règles écrites par des humains et n’apprend rien à partir d’exemples. Selon la définition qu’on retient, on peut le classer dans l’informatique classique ou dans l’IA à base de règles, mais pas dans le machine learning ni dans le deep learning.
Trois confusions fréquentes
« Tout ce qui est intelligent est du deep learning. » Non. Le calcul d’itinéraire d’un GPS, par exemple, repose sur des algorithmes de recherche de chemin connus depuis longtemps, pas sur l’apprentissage.
« Le machine learning apprend tout seul, sans humain. » Des humains choisissent les données, l’objectif et vérifient le résultat. L’apprentissage est automatique, pas la conception.
« Une IA qui apprend continue d’apprendre pendant que je l’utilise. » En général, non. Un modèle est entraîné, puis figé avant d’être mis à disposition. Vos conversations peuvent servir à une version future, si vous ne l’avez pas refusé dans les réglages.
Pour qui, quelle notion ?
- Vous utilisez ChatGPT, Gemini ou Le Chat au quotidien : retenez surtout le deep learning et les LLM. Ils expliquent pourquoi les réponses sont fluides mais pas toujours exactes. Lisez aussi ce que recouvre l’IA générative.
- Vous travaillez avec des tableaux de chiffres (ventes, stocks, finances) : le machine learning classique est souvent le bon point d’entrée, moins gourmand en données et plus facile à expliquer.
- Vous suivez les débats publics sur l’IA : gardez la définition large. Le règlement européen sur l’IA, par exemple, vise les « systèmes d’IA » au sens large, pas seulement le deep learning.
Pour replacer ces étapes dans le temps ou vérifier vos acquis, ces outils gratuits du site peuvent aider, dont la chronologie interactive de l’IA.
Questions fréquentes
Le machine learning et l'intelligence artificielle, est-ce la même chose ?
Non. L'intelligence artificielle est le grand domaine qui cherche à faire réaliser par une machine des tâches dites intelligentes. Le machine learning est une méthode pour y arriver, en apprenant à partir d'exemples. C'est aujourd'hui la méthode dominante, mais pas la seule.
ChatGPT, c'est du machine learning ou du deep learning ?
Les deux, car le deep learning fait partie du machine learning. ChatGPT repose sur un grand modèle de langage, un réseau de neurones profond de type Transformer, entraîné sur de très grandes quantités de textes. C'est donc du deep learning, et à ce titre du machine learning et de l'IA.
Faut-il savoir coder pour comprendre ces notions ?
Non. Il suffit de retenir l'emboîtement : l'IA est le but, le machine learning une façon d'apprendre, le deep learning une technique de machine learning à base de réseaux de neurones. Savoir programmer devient utile seulement si vous voulez créer vos propres modèles.
Le deep learning a-t-il remplacé les autres méthodes ?
Pas complètement. Il domine pour le langage, l'image et la voix. Pour des tableaux de chiffres, comme des historiques de ventes ou de paiements, des méthodes de machine learning plus classiques restent très utilisées car elles demandent moins de données et de calcul.