Un modèle de détection de fraude bancaire qui refusait systématiquement les paiements d'une certaine catégorie de clients. Pas parce qu'ils fraudaient. Parce que le jeu de données d'entraînement contenait, en proportion, beaucoup plus de cas similaires à eux. Voilà le cœur du problème : un système d'apprentissage automatique n'apprend jamais « la fraude ». Il apprend ce qu'on lui a montré. Et ce qu'on lui montre, ce sont des humains qui ont étiqueté des données, souvent à la va-vite.
Comprendre comment fonctionne l'apprentissage automatique, ce n'est donc pas apprendre une liste d'algorithmes. C'est comprendre une chaîne : des données brutes, un nettoyage, un choix de modèle, un entraînement, une évaluation, un déploiement. Et une boucle qui ne s'arrête jamais vraiment.
Points clés à retenir
- Le machine learning ne suit pas des règles écrites à la main : il ajuste des paramètres à partir d'exemples.
- La qualité des données pèse plus lourd que le choix de l'algorithme, dans une très large majorité de projets.
- Entraîner un modèle et l'utiliser sont deux phases distinctes : l'apprentissage et l'inférence.
- Un modèle performant sur ses données d'entraînement peut être catastrophique en production — c'est le surapprentissage.
- Chaque cycle complet (données → déploiement → nouvelles données) crée une dette technique silencieuse.
Comment fonctionne l'apprentissage automatique, concrètement
Une machine classique exécute des instructions. On lui dit : « si le montant dépasse 5 000 € et que le pays diffère du pays de facturation, bloque ». Une règle, une décision. C'est explicite, lisible, et débogable.
Le machine learning fait l'inverse. On donne 200 000 transactions passées, chacune étiquetée « fraude » ou « légitime ». On laisse l'algorithme trouver lui-même les combinaisons de variables qui séparent les deux groupes. Le résultat n'est pas une règle en français. C'est un fichier de coefficients, souvent des millions.
Le mécanisme, étape par étape
- Collecte — on rassemble des exemples représentatifs du phénomène à prédire.
- Préparation — nettoyage des valeurs manquantes, normalisation des échelles, encodage des catégories textuelles.
- Choix de l'algorithme — régression, arbre de décision, forêt aléatoire, réseau de neurones. Le choix dépend du volume de données et du type de sortie attendue.
- Entraînement — le modèle fait une prédiction, mesure son erreur via une fonction de perte, puis ajuste ses paramètres pour réduire cette erreur. Répété des milliers de fois.
- Évaluation — on teste le modèle sur des données qu'il n'a jamais vues.
- Déploiement — le modèle entraîné tourne en production et produit des prédictions sur des données nouvelles.
- Réentraînement — les comportements changent, le modèle vieillit, on recommence.
L'étape 4 mérite qu'on s'y arrête. La descente de gradient, c'est l'idée la plus simple du monde : on est sur une colline brumeuse, on veut descendre dans la vallée, alors on avance d'un petit pas dans la direction qui descend le plus fort. Puis on recommence. Le « petit pas », c'est le taux d'apprentissage. Trop grand, on saute par-dessus la vallée. Trop petit, on met trois jours à y arriver.
Les grands types d'apprentissage, et pourquoi la distinction compte
On distingue différentes techniques d'apprentissage automatique selon la nature des données disponibles et du retour d'information fourni au modèle. Cette classification n'est pas académique : elle détermine ce que vous pouvez réellement construire.
| Type | Données d'entrée | Exemple concret | Difficulté principale |
|---|---|---|---|
| Supervisé | Exemples étiquetés | Détecter un spam dans une boîte mail | Étiqueter coûte cher |
| Non supervisé | Données brutes, sans étiquette | Regrouper des clients aux comportements proches | Interpréter les groupes obtenus |
| Par renforcement | Un environnement et une récompense | Un agent qui optimise un itinéraire de livraison | L'exploration coûte du temps réel |
L'apprentissage supervisé, le plus répandu
C'est celui que vous croiserez dans la quasi-totalité des projets industriels. Un jeu de données avec les bonnes réponses, un modèle qui apprend à les reproduire, puis une évaluation sur des cas inédits. Si vous suivez un cours d'apprentissage automatique, vous commencerez presque toujours par là — régression linéaire puis classification — et ce n'est pas un hasard : tout le reste s'y ramène conceptuellement.
Le piège, ici, est invisible. Un modèle peut obtenir 99 % de précision sur un jeu de données où la classe à prédire ne représente que 1 % des cas, simplement en prédisant toujours « non » . La précision seule ne veut rien dire. On regarde le rappel, le F1, et surtout la matrice de confusion.
L'apprentissage non supervisé et par renforcement
Le non supervisé ne cherche pas à prédire une étiquette. Il cherche une structure. Segmenter une clientèle, détecter une anomalie dans un flux de logs, compresser une représentation : autant de tâches où personne ne peut dire a priori quelle est « la bonne réponse ».
Le renforcement, lui, fonctionne par essai-erreur. Un agent agit, reçoit une récompense ou une pénalité, et ajuste sa stratégie. C'est la famille qui a rendu célèbres les systèmes capables de battre des joueurs humains à des jeux de plateau. En entreprise, il reste plus délicat à déployer : chaque essai raté a un coût réel.
Entraînement et inférence : deux mondes séparés
Erreur que j'ai commise moi-même : croire qu'entraîner un modèle, c'était le finir.
L'entraînement consomme énormément de ressources, mais il a lieu une fois, hors ligne, souvent sur des machines dédiées. L'inférence, elle, tourne en continu, sur des données nouvelles, avec une contrainte de latence. Un système de recommandation doit répondre en moins de 200 millisecondes. Un modèle de détection d'anomalie sur des logs peut prendre son temps.
Cette séparation explique une grande partie des échecs industriels. Un modèle impressionnant en laboratoire devient inutilisable en production parce qu'il est trop lourd, trop lent, ou trop dépendant de variables qui n'existent pas au moment réel de la prédiction.
Trois limites que l'on découvre toujours trop tard
- Le surapprentissage — le modèle a mémorisé les données d'entraînement au lieu d'en extraire une règle générale. Il excelle sur le passé, il s'effondre sur le présent.
- Le biais des données — si votre historique ne contient pas certains profils, le modèle les traitera mal. Silencieusement.
- La dérive — les comportements changent, mais le modèle ne le sait pas. Un modèle de prédiction de la demande entraîné avant un changement de marché reste confiant et faux.
Sur un projet que j'ai suivi, la précision en production a chuté de 14 points en huit mois, sans qu'aucune ligne de code n'ait bougé. Les habitudes des utilisateurs, elles, avaient changé. Personne ne surveillait la métrique. C'est l'erreur la plus banale et la plus coûteuse.
IA, machine learning, deep learning : où est la frontière ?
Le machine learning est un sous-ensemble de l'intelligence artificielle. Le deep learning est un sous-ensemble du machine learning, fondé sur des réseaux de neurones à nombreuses couches. Trois cercles concentriques, mais une différence pratique : le deep learning excelle quand les données sont massives et non structurées — images, son, texte — et qu'on dispose de moyens de calcul sérieux. Sur un tableau de 5 000 lignes avec 12 colonnes, un modèle de gradient boosting fera souvent aussi bien, pour une fraction du coût.
Je le dis franchement : dans la majorité des cas d'usage que j'ai croisés, le réseau de neurones profond n'était pas la bonne réponse. Le bon vieux modèle d'arbres faisait le travail, s'expliquait, et se maintenait. On choisit rarement le modèle le plus impressionnant. On choisit celui qu'on peut opérer pendant trois ans.
Questions fréquentes
Quelle est la différence entre entraînement et inférence ?
L'entraînement construit le modèle à partir d'exemples étiquetés, en ajustant ses paramètres pour minimiser une erreur. L'inférence utilise ce modèle déjà entraîné pour produire une prédiction sur de nouvelles données. L'une est un processus long et ponctuel, l'autre est une opération rapide et répétée.
Faut-il toujours énormément de données ?
Non. Le volume compte moins que la représentativité. Un jeu de 10 000 exemples bien étiquetés, couvrant les cas réels, battra souvent un million de lignes déséquilibrées. En revanche, pour les tâches non structurées — vision, langage — le volume reste déterminant.
Peut-on se passer d'étiquettes ?
Oui, avec l'apprentissage non supervisé, mais vous renoncez à savoir précisément ce que le modèle cherche. Vous obtenez des regroupements, pas des prédictions. Pour certaines tâches — détection d'anomalies, segmentation — c'est amplement suffisant.
Ce qui compte vraiment, au fond
La question « comment fonctionne l'apprentissage automatique » a une réponse mathématique précise : ajuster des paramètres pour minimiser une fonction de perte sur des exemples. Vous pouvez apprendre cette réponse en une après-midi.
Ce qui prend des années, c'est de comprendre que le modèle n'est jamais le problème principal. Les données le sont. La surveillance après déploiement l'est. Le moment où l'on décide de réentraîner, aussi. Un modèle n'est pas un logiciel qu'on livre : c'est un organisme qui se dégrade dès le premier jour, et dont la seule qualité durable est la capacité de son équipe à détecter cette dégradation avant que quelqu'un d'autre ne le fasse à votre place.
