machine learning (apprentissage automatique)

En profondeur

Le renversement est le suivant. Un programme classique reçoit des données et des règles écrites par une personne, puis produit des réponses. Un système appris reçoit des données et des réponses connues, et produit les règles. Ce que l’on obtient s’appelle un modèle. La conséquence pratique est immédiate : on ne corrige plus le comportement en modifiant du code mais en modifiant des exemples, et une bonne part du travail se déplace vers la constitution et l’étiquetage des données. C’est aussi pourquoi ces systèmes échouent différemment : au lieu d’une erreur reproductible qu’on lit dans le code, on obtient une baisse de performance sur une catégorie de cas, qu’il faut d’abord mesurer pour la voir.

Trois familles couvrent l’essentiel des usages. L’apprentissage supervisé part d’exemples étiquetés, où la bonne réponse est connue : c’est le régime du classement de courriels ou de la prédiction d’un montant. L’apprentissage non supervisé cherche des structures dans des données sans étiquettes, par exemple des groupes de clients qui se ressemblent. L’apprentissage par renforcement, enfin, apprend par essais et récompenses, et sert notamment à ajuster le comportement des modèles de langage après leur entraînement principal. Ces familles ne s’opposent pas : un système réel en combine souvent plusieurs.

Deux pièges reviennent constamment. Le premier est le surapprentissage : un modèle qui restitue parfaitement ses exemples d’entraînement peut s’effondrer sur des cas nouveaux, parce qu’il en a retenu les particularités plutôt que la règle. C’est pourquoi on réserve toujours des données jamais vues pour mesurer honnêtement. Le second est le glissement : le monde change, les données qui arrivent cessent de ressembler à celles de l’entraînement, et la performance baisse sans qu’aucune alerte ne se déclenche. Un système appris n’est donc jamais livré une fois pour toutes, il se surveille.