Pendant des décennies, les informaticiens ont écrit du code exactement ainsi : « Si X, alors Y. Si Z, alors W. » Les programmeurs énuméraient chaque règle, chaque condition, chaque exception. C'est laborieux et inflexible. Puis est arrivé le machine learning, qui a transformé cette approche. Au lieu de coder les règles, on laisse les ordinateurs les découvrir à partir des données.
Comprendre le machine learning
Imaginez que vous enseignez à un enfant à identifier les fruits. Vous ne lui donneriez pas une liste exhaustive de caractéristiques : « Les pommes sont rouges, mesurent 7 centimètres de diamètre, pèsent 150 grammes… » Cela ne fonctionnerait pas car il existe des milliers de variétés. À la place, vous montreriez à l'enfant différentes pommes, oranges, bananes. Après avoir vu suffisamment d'exemples, l'enfant internalisera les patterns et pourra identifier un fruit qu'il n'a jamais vu.
Le machine learning fonctionne exactement comme cela. On donne au système d'IA des milliers ou des millions d'exemples (données), et il détecte automatiquement les motifs qui distinguent une catégorie d'une autre. Le système ajuste progressivement ses paramètres internes pour minimiser ses erreurs.
Les trois catégories principales du machine learning
Apprentissage supervisé (Supervised Learning)
C'est l'approche la plus directe. Vous donnez à l'algorithme des exemples étiquetés : « Voici un email de spam » et « Voici un email légitime. » L'algorithme apprend à reconnaître les différences. Vous lui montrez ensuite un nouvel email sans étiquette, et il prédit : « Ceci ressemble à du spam. »
Utilisations courantes : filtrage du spam, prédiction du prix des maisons, diagnostic médical, reconnaissance d'écriture manuscrite.
Apprentissage non supervisé (Unsupervised Learning)
Ici, les données n'ont pas d'étiquettes. L'algorithme doit trouver lui-même la structure. Par exemple, si vous donnez à l'algorithme les données clients d'un magasin sans lui dire qui achète quoi, l'algorithme peut découvrir automatiquement des groupes : « Voici les amateurs de technologie, voici les amateurs de vêtements, voici les gourmands. »
Utilisations courantes : segmentation client, détection d'anomalies, compression de données, recommandation de produits.
Apprentissage par renforcement (Reinforcement Learning)
Un agent apprend en interagissant avec un environnement, recevant des récompenses ou des pénalités. C'est comme dresser un chien : vous le récompensez quand il fait bien et le corrigez quand il se trompe. L'agent ajuste son comportement pour maximiser les récompenses à long terme.
Utilisations courantes : jeux vidéo (AlphaGo a battu le champion mondial grâce au reinforcement learning), robotique, trading algorithmique.
Comment se déroule l'apprentissage
Étape 1 : Collecte et préparation des données
Tout commence par les données. Si vous voulez un système qui détecte les chats sur des images, vous avez besoin de milliers de photos de chats et de non-chats. Ces données doivent être représentatives du monde réel.
Étape 2 : Choix d'un modèle
Un modèle est une structure mathématique capable d'apprendre. Il pourrait être simple (une régression linéaire) ou complexe (un réseau de neurones profond). Le choix dépend du problème à résoudre.
Étape 3 : Entraînement
L'algorithme voit les données, fait des prédictions, compare à la réalité, et ajuste ses paramètres. Ce cycle se répète des milliers de fois jusqu'à ce que les prédictions deviennent précises. C'est comme apprendre à jouer au tennis : chaque lancé vous rapproche du service parfait.
Étape 4 : Évaluation
On teste le modèle sur des données qu'il n'a jamais vues. Si la performance est bonne, on peut le déployer. Si elle est mauvaise, on retourne à l'étape 2 ou 3.
Étape 5 : Déploiement
Le modèle entraîné est intégré dans une application réelle. Il traite continuellement de nouvelles données et fait des prédictions.
Exemples concrets de machine learning
Filtres à spam
Gmail utilise le machine learning supervisé. Sur des milliards d'emails, il a appris à reconnaître les signatures du spam : certains mots, adresses d'expéditeur suspectes, liens malveillants. Quand vous recevez un nouvel email, le système évalue ces caractéristiques et prédit s'il est spam.
Recommandations Netflix
Netflix utilise plusieurs approches. L'apprentissage non supervisé crée des clusters de films similaires. L'apprentissage supervisé prédit si vous aimerez un film basé sur vos notes précédentes. Le résultat : chaque utilisateur voit un profil différent.
Prédiction d'achat
Les banques utilisent le machine learning pour prédire quels clients vont demander un prêt ou quitter pour un concurrent. Ces prédictions permettent aux banques de proposer des offres ciblées.
Véhicules autonomes
Une voiture autonome combine plusieurs approches. Elle reconnaît les panneaux routiers (vision par ordinateur), prédit les comportements des piétons (apprentissage supervisé), et prend des décisions optimales en temps réel (reinforcement learning).
Les limites du machine learning
Le machine learning n'est pas une baguette magique. Il a ses limitations :
Besoin de beaucoup de données
Un algorithme de machine learning a généralement besoin de milliers ou de millions d'exemples pour apprendre correctement. Si vous avez peu de données, c'est moins efficace.
Dépendance à la qualité des données
Si vos données d'entraînement contiennent des biais (par exemple, plus d'hommes que de femmes), votre modèle développera les mêmes biais. « Les ordures en entrée, les ordures en sortie » reste vrai.
Manque de transparence
Avec les modèles complexes, il est difficile de comprendre pourquoi le modèle a pris une décision. C'est le problème de la « boîte noire », essentiel quand les décisions affectent les humains (recrutement, crédit, justice).
Pas de véritable compréhension
Le machine learning excelle à trouver des corrélations dans les données, pas à comprendre la causalité. Il peut prévoir que vous allez acheter quelque chose sans comprendre pourquoi vous le voulez.