Machine learning (apprentissage automatique)
Le machine learning est une branche de l'IA où un modèle repère des régularités dans les données pour apprendre sans règles programmées à l'avance.
Le machine learning, ou apprentissage automatique en français, désigne une méthode informatique par laquelle un programme apprend à accomplir une tâche en analysant des exemples, plutôt qu'en suivant des instructions détaillées écrites au préalable par un développeur. C'est l'une des disciplines motrices de l'intelligence artificielle contemporaine.
Dans l'informatique traditionnelle, un ingénieur formalise chaque étape sous la forme de conditions strictes. En apprentissage automatique, le système reçoit des données historiques, mesure l'écart entre ses prédictions et la réalité, puis ajuste ses paramètres internes de manière autonome pour s'améliorer avec le temps.
Règles humaines contre apprentissage sur données
Prenez le cas d'une boulangerie artisanale installée à Namur, Rouen ou Sherbrooke qui souhaite évaluer le nombre de baguettes ou de miches à cuire le lendemain. Une méthode traditionnelle consiste à appliquer une consigne humaine : fabriquer 20 % de pâte en plus chaque samedi. Cette règle a le mérite d'être simple, transparente et facile à modifier.
Une approche par machine learning procède différemment : le modèle examine les ventes passées, les jours de la semaine, la météo annoncée, les vacances scolaires et les événements de quartier pour découvrir des corrélations subtiles. Le modèle ne possède cependant aucune intuition du monde. Si des travaux de voirie bloquent la rue dès l'aube sans que cette information ne figure dans ses données, il surestimera fatalement la fréquentation de la boutique.
Les trois grandes approches de l'apprentissage
Les spécialistes classent généralement les algorithmes selon la manière dont les informations leur sont fournies :
- L'apprentissage supervisé : on transmet au modèle des données d'entrée accompagnées de la réponse attendue. S'il s'agit d'estimer un chiffre (le volume de ventes), on parle de régression. S'il s'agit de trier des courriels entre commandes urgentes et demandes de renseignements, on parle de classification.
- L'apprentissage non supervisé : le système reçoit des données brutes sans étiquettes explicites et cherche à regrouper les observations similaires par lui-même, par exemple pour découvrir des profils de clients ou des typologies de journées creuses.
- L'apprentissage par renforcement : un agent virtuel interagit avec un environnement virtuel et apprend par tâtonnements en recevant des récompenses lorsqu'il réussit une action ou des pénalités lorsqu'il commet une erreur.
Tester un projet d'apprentissage avec rigueur
Avant d'intégrer un algorithme dans les opérations d'un commerce ou d'un service public, une phase de vérification prudente est indispensable :
- Respecter la chronologie de l'information : préparez vos tests en utilisant uniquement les données disponibles au moment exact où la prévision doit être faite. Connaître le temps qu'il a réellement fait ne sert à rien si la commande aux fournisseurs doit partir la veille au soir.
- Vérifier la réalité du terrain : un stock épuisé à midi peut fausser les mesures. Si les registres indiquent trois cents pains vendus, cela reflète la capacité de stockage du magasin, pas nécessairement la demande totale des clients.
- Comparer avec une référence modeste : mesurez systématiquement les prédictions du modèle par rapport à une règle élémentaire, comme la moyenne des quatre dernières semaines. Si le système statistique ne fait pas mieux que cette formule basique, il est inutile de le déployer.
- Calculer l'impact financier réel : calculez les erreurs en unités concrètes pour votre activité, c'est-à-dire en surplus gaspillé ou en chiffre d'affaires manqué, plutôt que de vous fier uniquement à un score mathématique global qui masque les dérapages les jours fériés.
L'erreur fréquente : céder à la complexité inutile
Une confusion récurrente consiste à assimiler le machine learning aux seuls réseaux neuronaux géants et aux cartes graphiques surchauffées. De nombreux problèmes professionnels de prévision et d'organisation se résolvent plus efficacement avec des régressions linéaires ou des arbres de décision légers. Ces modèles plus simples restent souvent plus stables, plus économiques et infiniment plus faciles à auditer au quotidien.
Questions fréquentes
Quelle est la différence entre intelligence artificielle et machine learning ?
L'intelligence artificielle est le vaste domaine de recherche qui vise à concevoir des machines capables de simuler des facultés intellectuelles. Le machine learning est une sous-catégorie spécifique où cette capacité provient de l'analyse statistique de données.
Faut-il toujours remplacer ses règles de gestion par du machine learning ?
Non. Si une règle logique simple donne de bons résultats et reste maîtrisée par les équipes, il est souvent contre-productif de la remplacer par un modèle complexe qui exige de la maintenance et des données abondantes.
Pourquoi un modèle prédictif peut-il soudainement échouer ?
Un algorithme n'apprend que sur le passé qu'il a observé. Si le contexte réel change brutalement, suite à une crise imprévue ou un changement d'habitudes de consommation, le modèle continue d'appliquer d'anciens schémas devenus obsolètes.
