Glossaire IA · Fondamentaux
Machine learning
En une phrase
Le machine learning, ou apprentissage automatique, est la branche de l'IA où un système apprend une tâche à partir d'exemples, au lieu de suivre des règles écrites à la main, et s'améliore à mesure qu'il voit davantage de données.
Autres noms: apprentissage automatique · apprentissage machine · ML · apprentissage statistique
Qu’est-ce que le machine learning ?
En programmation classique, quelqu’un écrit les règles et l’ordinateur les applique. Le machine learning inverse la logique : on fournit au système de nombreux exemples avec leur résultat, et c’est lui qui dégage les règles. Personne ne les écrit ; elles émergent des données.
Passez à la pratique
Des agents IA pour répondre à vos clients
Dès 49 €/mois + TVA
Voix, WhatsApp et e-mail avec la ligne incluse : agent, numéros et CRM dans le même abonnement.
Voir les tarifsCela ouvre des problèmes où écrire des règles est impossible. Quelle règle précise distingue un e-mail de réclamation d’une simple demande d’information ? Les nuances sont innombrables. Avec suffisamment d’exemples étiquetés, un modèle apprend à les distinguer avec un bon taux de réussite, jamais parfait.
C’est le socle de presque toute l’intelligence artificielle actuelle, y compris le deep learning qui fait tourner les modèles de langage.
En lien avec ce terme
Agents UTIO
- Disponibles 24h/24 en 26 langues
- Le monter vous-même : 0 €, à partir de votre site
- 14 jours d'essai sans carte
Dès 49 €/mois + TVA
Voir les tarifsComment ça marche
- Les données. On prépare un dataset : des exemples représentatifs, propres et, en apprentissage supervisé, accompagnés de la bonne réponse.
- L’entraînement. Un algorithme ajuste un modèle pour rapprocher ses prédictions des bonnes réponses. Voir entraînement d’un modèle.
- L’évaluation. On teste le modèle sur des exemples qu’il n’a jamais vus. S’il ne réussit que sur ceux qu’il connaît, il a mémorisé au lieu d’apprendre : c’est le surapprentissage.
- La mise en service. Le modèle traite des données réelles. Comme le contexte évolue, il faut surveiller que sa performance ne se dégrade pas.
Exemple
Un garage automobile de Reims reçoit chaque semaine des centaines de messages via son site et WhatsApp. Il veut repérer d’un coup d’œil les demandes de rendez-vous, de devis et les réclamations.
Grâce à un modèle de classification, chaque message arrive étiqueté. Le modèle a appris sur des milliers de messages déjà triés et classe désormais les nouveaux. Quand il se trompe, quelqu’un corrige l’étiquette, et ces corrections servent à améliorer la version suivante.
Ce que ça change pour votre entreprise
Inutile de monter une équipe data pour profiter du machine learning. Vous l’utilisez déjà dès qu’un système transcrit un appel, comprend un message ou identifie le sujet d’un e-mail.
Les agents UTIO s’appuient sur des modèles déjà entraînés : vous n’entraînez rien. Vous apportez vos informations métier, comme dans le secteur support, où l’agent répond à partir de votre documentation et ouvre un ticket quand il ne trouve pas la réponse. Côté développeurs, l’API d’IA propose du texte pour répondre, résumer et classer, avec le niveau de modèle de votre choix.
Questions fréquentes
Quels sont les types de machine learning ?
Trois grands types. Supervisé : le système apprend à partir d'exemples accompagnés de la bonne réponse (e-mails marqués spam ou non). Non supervisé : il cherche des groupes ou des régularités dans des données non étiquetées (segmenter une clientèle). Par renforcement : il apprend par essais, récompenses et pénalités, comme dans les jeux ou la robotique.
Quelle différence entre machine learning et deep learning ?
Le deep learning est une forme de machine learning qui utilise des réseaux de neurones à nombreuses couches. Il excelle sur des données complexes comme le texte, la voix ou l'image, mais demande plus de données et de puissance de calcul.
Faut-il beaucoup de données pour faire du machine learning en entreprise ?
Pour entraîner son propre modèle, en général oui, et des données bien organisées. Mais la plupart des PME n'entraînent rien : elles utilisent des modèles déjà entraînés par un fournisseur et les appliquent à leurs données, ce qui demande beaucoup moins d'informations.
Termes associés
- Intelligence artificielle
L'intelligence artificielle (IA) est le domaine de l'informatique qui conçoit des systèmes capables de tâches associées à l'intelligence humaine, comme comprendre le langage, reconnaître des images ou décider, à partir de régularités apprises dans des données.
- Deep learning
Le deep learning, ou apprentissage profond, est une forme de machine learning fondée sur des réseaux de neurones à nombreuses couches. Chaque couche extrait des caractéristiques plus abstraites, ce qui permet de traiter texte, voix et images sans règles écrites à la main.
- Dataset
Un dataset (jeu de données) est une collection organisée d'exemples, comme des textes, des enregistrements, des images ou des fiches, utilisée pour entraîner, ajuster ou évaluer un modèle d'IA. Sa qualité conditionne directement ce que le modèle apprend.
- Entraînement d'un modèle
L'entraînement d'un modèle est le processus par lequel un modèle d'IA apprend à partir d'un jeu de données : on lui présente des exemples, on mesure ses erreurs et on ajuste ses paramètres, encore et encore, jusqu'à obtenir de bonnes réponses.
- Algorithme
Un algorithme est une suite finie d'instructions précises qui permet de résoudre un problème ou d'accomplir une tâche. En IA, l'algorithme est la méthode qui apprend à partir des données ; le modèle est ce que cette méthode produit.
Mis à jour le