Machine learning

Qu'est-ce que le machine learning, expliqué simplement ?

Le machine learning est une méthode qui apprend à un ordinateur à accomplir une tâche à partir d'exemples, plutôt qu'en lui dictant chaque règle. On lui montre des milliers de cas passés, il en déduit des schémas, puis il applique ces schémas pour prédire ou classer de nouvelles données. C'est une sous-partie de l'intelligence artificielle.

Imaginez apprendre à un enfant à reconnaître un chat. Vous ne lui donnez pas la liste des règles « quatre pattes, moustaches, oreilles pointues ». Vous lui montrez beaucoup de chats, et son cerveau finit par saisir ce qui fait un chat.

Le machine learning fonctionne pareil. On ne code pas la règle « un e-mail avec le mot loterie est un spam ». On montre au programme des milliers d'e-mails déjà triés en spam et non-spam, et il apprend tout seul les signaux qui trahissent un spam.

La différence avec un logiciel classique est là. Un logiciel classique suit des règles écrites à la main par un développeur. Un modèle de machine learning, lui, écrit ses propres règles à partir des données qu'on lui donne.

Comment fonctionne le machine learning concrètement ?

Le machine learning fonctionne en deux temps. D'abord l'entraînement : on nourrit un algorithme de nombreuses données d'exemples, et il ajuste un modèle pour minimiser ses erreurs. Ensuite l'utilisation, appelée inférence : on donne au modèle entraîné une nouvelle donnée, et il produit une prédiction. Plus les données de départ sont nombreuses et propres, meilleur est le résultat.

Tout commence par les données d'entraînement. Pour prédire quels clients risquent de résilier, vous fournissez l'historique de milliers de clients, en indiquant lesquels sont partis et lesquels sont restés.

L'algorithme cherche alors les schémas. Il repère que les clients qui n'ont pas ouvert d'e-mail depuis 90 jours et qui ont contacté le support deux fois partent plus souvent. Personne ne lui a soufflé cette règle : il l'a trouvée dans les chiffres.

Une fois entraîné, le modèle passe en production. Vous lui présentez un client actuel, il calcule un risque de départ. Ce résultat n'est jamais une certitude, c'est une probabilité fondée sur les cas passés.

• Collecte : rassembler des données d'exemples fiables et représentatives
• Préparation : nettoyer, corriger et mettre en forme ces données
• Entraînement : laisser l'algorithme apprendre les schémas et construire le modèle
• Évaluation : vérifier la justesse du modèle sur des données qu'il n'a jamais vues
• Déploiement : utiliser le modèle pour prédire sur de nouveaux cas au quotidien

Quelle est la différence entre machine learning et intelligence artificielle ?

L'intelligence artificielle est le domaine large qui regroupe toutes les techniques permettant à une machine d'imiter des capacités humaines. Le machine learning en est une méthode précise : celle qui apprend à partir de données. Toute solution de machine learning est de l'IA, mais toute l'IA n'est pas du machine learning. C'est un sous-ensemble, pas un synonyme.

Voyez l'intelligence artificielle comme une grande discipline, à la manière de « la médecine ». Le machine learning en est une spécialité, comme « la cardiologie ».

Historiquement, une partie de l'IA reposait sur des règles écrites à la main par des experts. Le machine learning a pris le dessus parce qu'il s'adapte mieux aux problèmes réels, souvent trop complexes pour être codés règle par règle.

En pratique, quand on parle d'IA en entreprise aujourd'hui, il s'agit presque toujours de machine learning, ou de sa forme la plus avancée, le deep learning.

Quels sont les grands types de machine learning ?

On distingue trois grandes familles. L'apprentissage supervisé apprend sur des exemples étiquetés avec la bonne réponse. L'apprentissage non supervisé cherche des regroupements dans des données sans étiquette. L'apprentissage par renforcement apprend par essais-erreurs en maximisant une récompense. Le choix dépend de votre problème et des données dont vous disposez.

L'apprentissage supervisé est le plus courant en entreprise. Vous avez des exemples avec la réponse connue, par exemple des factures déjà rangées par catégorie, et le modèle apprend à reproduire ce classement.

L'apprentissage non supervisé sert à explorer. Sans réponse fournie, il regroupe vos clients en profils qui se ressemblent, ce qui révèle des segments que vous n'auriez pas devinés.

L'apprentissage par renforcement, plus rare côté PME, apprend en testant des actions et en gardant celles qui marchent. C'est la logique derrière les IA qui jouent aux échecs ou pilotent un robot.

Quels sont des exemples de machine learning en entreprise ?

Le machine learning est déjà partout dans les usages professionnels : détection de fraude bancaire, filtres anti-spam, recommandations de produits sur un site e-commerce, prévision des ventes, scoring de prospects, maintenance prédictive des machines, ou reconnaissance de documents. Chacun repose sur le même principe : apprendre des données passées pour anticiper les cas à venir.

Un exemple parlant : une PME de distribution qui veut savoir combien commander. Plutôt que de piloter au feeling, un modèle apprend des ventes des trois dernières années et de la météo, puis propose une prévision par produit. Moins de ruptures, moins de stock dormant.

Autre cas fréquent, le scoring commercial. Un modèle classe vos prospects du plus au moins chaud en s'appuyant sur les caractéristiques des clients qui ont signé par le passé. Vos commerciaux appellent d'abord les leads à fort potentiel.

Vous en profitez déjà sans le savoir. Quand votre banque bloque un paiement suspect ou quand votre boîte mail classe une pièce jointe en indésirable, c'est du machine learning au travail.

Quelle différence entre machine learning et deep learning ?

Le deep learning est un sous-ensemble du machine learning fondé sur des réseaux de neurones à multiples couches. Il excelle sur des données complexes comme les images, la voix et le texte, mais il exige beaucoup plus de données et de puissance de calcul. Le machine learning classique, plus léger, reste souvent suffisant pour des données en tableaux.

Reprenons l'emboîtement : l'IA contient le machine learning, qui contient le deep learning. Chaque cercle est plus petit et plus spécialisé que le précédent.

Le deep learning brille quand la donnée est riche et désordonnée. Reconnaître un défaut sur une photo de pièce industrielle, transcrire un appel client, comprendre une phrase : ce sont ses terrains de prédilection.

Pour une prévision de ventes à partir d'un tableur, un modèle de machine learning classique fait souvent aussi bien, plus vite et pour bien moins cher. Le plus puissant n'est pas toujours le plus adapté.

Quels sont les pièges à éviter avec le machine learning ?

Les principaux pièges sont des données de mauvaise qualité, un modèle qui apprend par cœur au lieu de généraliser, et des biais cachés dans l'historique. Un modèle n'est jamais meilleur que les données qui l'ont nourri. Sans vigilance, il reproduit et amplifie les erreurs et les discriminations présentes dans le passé.

Le premier piège, c'est la donnée. « Garbage in, garbage out » : des données fausses ou incomplètes donnent des prédictions fausses, quelle que soit la sophistication du modèle.

Le deuxième, c'est le surapprentissage. Un modèle qui colle trop à ses exemples d'entraînement récite par cœur mais échoue sur des cas nouveaux, comme un élève qui a mémorisé les corrigés sans comprendre la logique.

Le troisième, plus sensible, c'est le biais. Si votre historique de recrutement favorisait un profil, un modèle entraîné dessus reproduira ce déséquilibre. En zone sensible comme les RH, cela relève de l'IA à haut risque au sens de l'AI Act, avec des obligations renforcées.

Quel est le lien entre machine learning et IA générative ?

L'IA générative, dont ChatGPT est l'exemple le plus connu, repose entièrement sur le machine learning, plus précisément sur le deep learning. Un grand modèle de langage a appris les schémas du langage sur d'immenses corpus de texte. Comprendre le machine learning, c'est saisir pourquoi ces outils sont puissants mais aussi faillibles, notamment sujets aux hallucinations.

Un modèle comme GPT ou Claude n'a pas appris de règles de grammaire. Il a lu des milliards de phrases et en a tiré des schémas statistiques, exactement selon la logique du machine learning.

Cela explique une chose essentielle pour vos équipes. Ces outils prédisent le mot le plus probable, ils ne « savent » pas. D'où les hallucinations, ces réponses fausses mais crédibles qu'il faut toujours vérifier.

Voilà pourquoi une acculturation à ces notions change tout à l'usage. Une équipe qui comprend ce qu'est un modèle appris sur des données l'utilise avec le bon niveau de confiance, sans naïveté ni méfiance excessive.

Pourquoi comprendre le machine learning est-il utile pour votre entreprise ?

Comprendre le machine learning permet de repérer où l'IA peut vous faire gagner du temps ou de l'argent, de dialoguer avec vos prestataires sans vous faire vendre n'importe quoi, et d'utiliser les outils d'IA générative avec le bon esprit critique. C'est la base d'une adoption sereine, rentable et conforme, sans devenir data scientist.

Vous n'avez pas besoin de savoir construire un modèle. Vous avez besoin de savoir ce qu'il sait faire, ce qu'il ne peut pas faire et quelles données il réclame pour décider en connaissance de cause.

Cette culture évite deux erreurs coûteuses. Investir dans un projet impossible faute de données, ou passer à côté d'un gain simple parce que « l'IA, c'est pour les grands groupes ». Un modèle de prévision peut tenir dans un tableur bien exploité.

Depuis février 2025, l'AI Act impose en plus de garantir la maîtrise de l'IA par vos collaborateurs qui l'utilisent. Une formation cadrée coche cette case tout en rendant vos équipes autonomes et lucides face aux outils.