FRENES

Glossaire · Entraînement et apprentissage

Apprentissage automatique

L’apprentissage automatique est une branche de l’intelligence artificielle qui permet de construire des modèles à partir de données plutôt que de définir manuellement chaque règle de décision. Ces modèles repèrent des régularités pour effectuer des prédictions, classer des éléments ou produire des résultats sur de nouvelles entrées.

Apprentissage automatique : l'explication

Une équipe définit une tâche, rassemble des données et choisit une méthode d’apprentissage. Pendant l’entraînement, les paramètres du modèle sont ajustés selon un objectif mesurable. Le modèle est ensuite évalué sur des exemples distincts pour vérifier s’il fonctionne au-delà des données déjà rencontrées. Les méthodes comprennent notamment l’apprentissage à partir d’exemples accompagnés de réponses, la recherche de structures sans catégories fournies et l’apprentissage fondé sur des récompenses. Elles répondent à des besoins différents.

Vous rencontrez cette approche dans le filtrage des messages indésirables, la reconnaissance vocale ou certaines recommandations. Elle sert à traiter des situations dont les règles sont difficiles à écrire entièrement à la main. Dans un outil IA, un modèle peut par exemple attribuer une catégorie à une demande avant qu’un autre composant prépare une réponse. L’apprentissage automatique ne désigne donc pas seulement les assistants conversationnels et ne suppose pas nécessairement la génération de texte.

La qualité dépend de la pertinence des données et de leur proximité avec les situations réelles. Un modèle peut apprendre des raccourcis trompeurs, reproduire des biais ou devenir moins fiable lorsque les usages changent. Son utilisation ne signifie pas qu’il continue à apprendre en permanence. Beaucoup de systèmes emploient un modèle stable entre deux mises à jour. Il faut distinguer l’entraînement, l’évaluation et l’utilisation quotidienne pour comprendre comment ses performances sont établies et maintenues.

Un exemple concret

Vous utilisez une messagerie qui classe certains courriels comme indésirables. Un modèle a appris à reconnaître des combinaisons de caractéristiques associées à ces messages. Il peut néanmoins placer une confirmation de réservation dans le mauvais dossier. Vous la rétablissez, mais cette correction ne garantit pas une modification immédiate du modèle. Elle peut être enregistrée comme préférence ou servir à une amélioration ultérieure, selon le fonctionnement du service.

Pourquoi c'est important

Ce terme vous aide à demander sur quelles données et quels tests repose une fonction IA. Un bon résultat de démonstration ne suffit pas si vos documents ou vos utilisateurs diffèrent des exemples d’entraînement. Vérifiez les erreurs possibles, les possibilités de correction et le suivi dans le temps. Pour une décision importante, examinez aussi la place laissée au contrôle humain et aux recours.

Idées reçues

  • Un système d’apprentissage automatique ne s’améliore pas nécessairement à chaque utilisation, car ses paramètres peuvent rester inchangés pendant le service et n’être mis à jour qu’au cours d’un entraînement distinct, décidé et organisé par son fournisseur.
  • Ajouter davantage de données ne garantit pas un meilleur modèle, puisque des exemples mal étiquetés, peu représentatifs ou contenant des informations trompeuses peuvent dégrader les résultats et renforcer des erreurs déjà présentes dans le système.

Autres termes : entraînement et apprentissage

fine-tuning
Le fine-tuning est un entraînement supplémentaire qui adapte un modèle déjà entraîné à des tâches, des comportements ou un domaine particuliers.
apprentissage profond
L’apprentissage profond est une famille de méthodes d’apprentissage automatique qui utilise des réseaux de neurones comportant plusieurs couches de traitement.
réseau de neurones
Un réseau de neurones est un modèle informatique composé d’unités de calcul reliées entre elles et organisées selon une architecture.

Où le site en parle

Le terme apparaît dans 40 pages du site. Quelques-unes :

Pour aller plus loin

Questions fréquentes

Est-ce la même chose que l’IA ?

Non. L’intelligence artificielle est un domaine plus large, qui comprend aussi des systèmes fondés sur des règles ou d’autres méthodes. L’apprentissage automatique en est une famille d’approches, caractérisée par la construction de modèles à partir de données.

Pourquoi séparer les données de test ?

Elles permettent d’estimer les résultats sur des exemples que le modèle n’a pas utilisés pour apprendre. Si les mêmes informations apparaissent dans l’entraînement et le test, l’évaluation peut donner une impression exagérée de ses capacités réelles.

Peut-il se tromper sans prévenir ?

Oui. Un modèle peut produire une prédiction incorrecte avec un score élevé, notamment dans une situation inhabituelle. Les mécanismes de détection, les limites d’usage et les procédures de contrôle dépendent de l’application qui utilise le modèle.

Neutralité. Aucun lien d'affiliation. Aucun éditeur ne paie pour être évalué, noté ou classé. Les évaluations sont dirigées par François Chollet, neutres et factuelles, et chaque donnée est datée et sourcée. Comment nous notons