Machine learning : définition simple

Le machine learning fait fonctionner une grande partie des outils dits « intelligents » : filtre antispam, recommandations de produits, détection de fraude, prévisions de vente. Son principe tient en une phrase : plutôt que d’écrire les règles, on montre des exemples. Ce changement de méthode a une conséquence directe pour une entreprise : sans données adaptées, pas de bon modèle.

Qu’est-ce que le machine learning ?

Le machine learning, ou apprentissage automatique, est l’ensemble des méthodes qui permettent à un programme d’améliorer ses résultats sur une tâche à partir de données, sans que chaque règle soit programmée. C’est une branche de l’intelligence artificielle (IA).

Le résultat de l’apprentissage s’appelle un modèle. C’est lui qu’on utilise ensuite pour traiter des cas nouveaux : une facture qui arrive, un client qui s’inscrit, une commande à venir.

On distingue donc deux moments. L’entraînement, pendant lequel le modèle apprend à partir de données. Puis l’utilisation, pendant laquelle il applique ce qu’il a appris, sans forcément continuer à apprendre.

Pour voir comment l’IA, le machine learning et le deep learning s’emboîtent, consultez la définition de l’intelligence artificielle. L’IA générative repose elle aussi sur l’apprentissage, mais produit un contenu plutôt qu’une catégorie ou une prévision. Ses propres mots, du prompt à l’hallucination, se retrouvent dans le glossaire de l’IA.

Règles écrites à la main ou apprentissage : quelle différence ?

Un programme classique applique des règles qu’un humain a écrites, alors qu’un modèle de machine learning déduit ses propres règles à partir d’exemples.

Prenez le tri des messages qui arrivent sur l’adresse de contact d’une entreprise. Avec des règles, on écrit : « si le message contient devis, l’envoyer au commercial ; s’il contient facture, à la comptabilité ». Ça marche, jusqu’au client qui demande « le document de la dernière commande » sans employer aucun des mots prévus.

Avec le machine learning, on fournit de nombreux messages déjà rangés par service. Le modèle apprend les indices qui distinguent une demande commerciale d’une question comptable, y compris des indices que personne n’aurait pensé à écrire.

Les règles restent la bonne solution quand la logique est simple, stable et doit pouvoir se justifier. Un contrôle de conformité ou le calcul d’une remise n’ont aucune raison d’être appris. Mon conseil : vérifiez d’abord si quelques règles suffisent, avant de lancer un projet d’apprentissage.

Supervisé, non supervisé, par renforcement : les trois familles

Le machine learning se divise en trois grandes familles, selon ce qu’on donne au modèle pour apprendre : des exemples accompagnés de la bonne réponse, des données sans réponse, ou des récompenses.

L’apprentissage supervisé

L’apprentissage supervisé part d’exemples étiquetés, c’est-à-dire accompagnés de la bonne réponse : des courriels marqués « spam » ou « légitime », des ventes passées avec les quantités réellement vendues. Le modèle apprend à retrouver cette réponse, puis la propose pour des cas nouveaux. Il sert à classer dans une catégorie ou à estimer une valeur chiffrée.

L’apprentissage non supervisé

L’apprentissage non supervisé travaille sur des données sans étiquette. Le modèle cherche seul des structures : des groupes de clients aux comportements proches, ou des cas qui s’écartent de la norme. Personne ne lui indique quels groupes chercher, donc un humain doit interpréter ceux qu’il trouve.

L’apprentissage par renforcement

L’apprentissage par renforcement ne part pas d’un jeu d’exemples fixe. Un programme agit, reçoit une récompense ou une pénalité selon le résultat, et ajuste peu à peu sa stratégie. Il sert notamment dans les jeux et la robotique, et pour ajuster le comportement de certains assistants conversationnels à partir d’évaluations humaines.

Ces familles ont des variantes. L’apprentissage auto-supervisé fabrique ses étiquettes à partir des données elles-mêmes : c’est ainsi que les grands modèles de langage apprennent à prédire la suite d’un texte.

Prévoir, détecter, trier : le machine learning en PME

Le machine learning s’applique typiquement à trois besoins d’une petite ou moyenne entreprise (PME) : prévoir, détecter l’inhabituel et trier automatiquement.

Prévoir les ventes. Un distributeur peut entraîner un modèle sur l’historique de ses ventes, enrichi du calendrier et des promotions passées. Le modèle propose une prévision par produit et par semaine, qui aide à dimensionner les achats et les stocks. Elle ne remplace pas l’acheteur, qui sait qu’un gros client arrive ou qu’une gamme s’arrête.

Détecter les anomalies. En comptabilité, un modèle peut signaler une facture dont le montant, le fournisseur ou la date s’écartent des habitudes : doublon, erreur de saisie, tentative de fraude au faux fournisseur. En production, le même principe appliqué aux mesures d’une machine peut alerter avant une panne. Le modèle signale, une personne vérifie.

Trier automatiquement. À l’accueil, un modèle peut orienter les demandes entrantes vers le bon service et estimer leur urgence. Au service après-vente, il peut classer les retours par type de problème et faire apparaître un défaut récurrent.

Beaucoup de ces fonctions existent déjà dans des logiciels du marché. Avant de construire un modèle, vérifiez si votre logiciel de gestion, votre outil de relation client ou votre messagerie ne les proposent pas.

Quelles données faut-il, et quels pièges éviter ?

Un projet de machine learning dépend d’abord de ses données : il faut des exemples en nombre suffisant, correctement étiquetés et représentatifs des situations réelles.

Il n’existe pas de volume minimal universel, car le besoin dépend de la difficulté de la tâche. En revanche, deux défauts ne se compensent pas par le volume : des étiquettes fausses de façon systématique, que le modèle apprendra fidèlement, et des données qui ne couvrent pas les situations qu’il rencontrera.

Plusieurs pièges classiques guettent un projet de machine learning.

• Le surapprentissage : le modèle apprend ses exemples par cœur, avec leurs particularités, et se trompe sur les cas nouveaux. D’où la règle de base : mesurer ses performances sur des données qu’il n’a pas vues pendant l’entraînement.
• Le passé qui ne ressemble plus au présent : un modèle entraîné avant un changement de gamme, de tarifs ou de clientèle prévoit un monde qui n’existe plus. Ses performances se surveillent dans le temps.
• La fuite d’information : une donnée connue seulement après coup s’est glissée dans l’entraînement, par exemple la date de paiement pour prévoir un impayé. Le modèle paraît excellent en test, puis échoue en situation réelle.
• Les déséquilibres hérités : un modèle peut reproduire ceux de ses données. Si l’historique reflète des décisions contestables, le modèle risque de les automatiser.
• Les données personnelles : un historique de clients ou de salariés reste soumis aux règles de protection des données, avant même tout entraînement.

À retenir

• Le machine learning (apprentissage automatique) est la partie de l’IA où un programme apprend à partir de données au lieu de suivre des règles écrites à la main.
• L’apprentissage supervisé part d’exemples avec la bonne réponse, le non supervisé cherche des structures dans des données sans réponse, et le renforcement apprend par essais et récompenses.
• En PME, le machine learning sert typiquement à prévoir des ventes, à détecter des anomalies et à trier des demandes ou des documents.
• Des données mal étiquetées ou non représentatives peuvent faire échouer un modèle, quel que soit leur volume.
• Un modèle de machine learning se mesure sur des données qu’il n’a pas vues pendant l’entraînement, puis se surveille dans le temps.
• Quand une logique est simple, stable et doit se justifier, des règles écrites à la main restent souvent la meilleure solution.