Aller au contenu
Encyclopédie informatique Édition 2026

L'apprentissage automatique

Partie 4 sur 4

Niveau de lecture :

8Les réseaux de neurones et l’apprentissage profond

8.1Le neurone artificiel

Un neurone artificiel est une petite fonction : il reçoit plusieurs nombres, les multiplie chacun par un poids, fait la somme, ajoute un biais, puis applique une fonction d’activation, qui introduit une non-linéarité, par exemple en remplaçant les valeurs négatives par zéro. Les neurones sont organisés en couches : la sortie de chaque couche sert d’entrée à la suivante. Les poids, des millions ou des milliards, sont les paramètres du réseau.

8.2La rétropropagation

Pour entraîner un réseau, on calcule l’erreur de sa prédiction, puis on remonte le réseau, de la sortie vers l’entrée, pour calculer la contribution de chaque poids à cette erreur : c’est la rétropropagation du gradient, popularisée en 1986 par David Rumelhart, Geoffrey Hinton et Ronald Williams. Chaque poids est ensuite légèrement corrigé par descente de gradient. On répète l’opération sur des millions d’exemples, par petits lots. Ces calculs, faits de multiplications de grands tableaux de nombres, s’exécutent très efficacement sur les processeurs graphiques et les puces spécialisées (voir le processeur graphique).

8.3Des architectures spécialisées

  • Les réseaux convolutifs, développés notamment par le chercheur français Yann LeCun à la fin des années 1980, appliquent les mêmes petits filtres sur toute une image pour y repérer des motifs. Dès les années 1990, ils lisaient automatiquement les montants des chèques aux États-Unis ; ils ont déclenché la révolution de 2012 en vision par ordinateur.
  • Les réseaux récurrents traitaient les séquences, comme le texte ou la parole, élément par élément, en gardant une mémoire de ce qui précède.
  • Les Transformers, présentés en 2017, les ont largement remplacés : grâce à un mécanisme d’attention, chaque élément d’une séquence peut tenir compte directement de tous les autres, et les calculs se parallélisent bien. Ils sont à la base des grands modèles de langage, et désormais de nombreux modèles d’images et de sons (voir l’IA générative).

8.4L’apprentissage par transfert

Entraîner un grand réseau à partir de zéro coûte cher. On part donc souvent d’un modèle déjà entraîné sur une tâche générale, par exemple la reconnaissance de milliers de catégories d’objets, et on l’affine (en anglais fine-tuning) sur quelques centaines d’exemples d’une tâche précise, comme la détection d’une maladie des feuilles de vigne. Le modèle réutilise ce qu’il a appris des formes et des textures. Cette technique, l’apprentissage par transfert, a mis l’apprentissage profond à la portée de projets modestes.

9Les outils

Le langage Python domine largement l’apprentissage automatique (voir Python). La bibliothèque scikit-learn, développée à partir de 2010 à l’INRIA (Institut national de recherche en sciences et technologies du numérique), est la référence mondiale pour les modèles classiques ; PyTorch, créé chez Meta, et TensorFlow, chez Google, servent aux réseaux de neurones. On travaille souvent dans des carnets Jupyter, qui mêlent code, résultats et graphiques. Voici un apprentissage complet en quelques lignes, sur un jeu de données célèbre : 150 iris, décrits par quatre mesures de leurs pétales et sépales, appartenant à trois espèces.

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

X, y = load_iris(return_X_y=True)          # caractéristiques et étiquettes
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=0)   # 30 % mis de côté pour le test

modele = DecisionTreeClassifier(max_depth=3)   # hyperparamètre : profondeur
modele.fit(X_train, y_train)                    # entraînement
predictions = modele.predict(X_test)
print(accuracy_score(y_test, predictions))      # exactitude sur le test

Le modèle obtient en général plus de 90 % de bonnes réponses sur les fleurs qu’il n’a jamais vues. Un arbre de profondeur 3 reste lisible : on peut afficher ses questions, du type « la longueur du pétale est-elle inférieure à 2,45 cm ? ». La même démarche, chargement, séparation, entraînement, évaluation, s’applique à des problèmes bien plus complexes.

10Les données, au cœur de tout

On dit souvent qu’un modèle ne vaut que par ses données. Des données trop peu nombreuses, mal étiquetées, ou qui ne représentent pas la population réelle produisent des modèles faux ou biaisés (voir l’intelligence artificielle). L’étiquetage lui-même est un travail considérable, souvent confié à des travailleurs mal payés à l’autre bout du monde, ce qui pose des questions éthiques.

Quand les données sont personnelles, le RGPD s’applique : il faut une base légale pour les utiliser, n’utiliser que les données nécessaires, informer les personnes, et pouvoir répondre à leurs demandes, ce qui est délicat quand leurs données ont servi à entraîner un modèle (voir le RGPD). Des techniques permettent de limiter les risques : anonymisation, données synthétiques, apprentissage fédéré, où le modèle s’entraîne sur les appareils des utilisateurs sans que leurs données ne les quittent, comme pour la prédiction des mots du clavier des téléphones.

Enfin, l’entraînement a un coût matériel. Un modèle classique s’entraîne en quelques secondes sur un ordinateur portable ; un grand réseau de neurones peut mobiliser des milliers de processeurs spécialisés pendant des semaines, avec une consommation d’électricité comparable à celle d’une petite ville. Choisir le modèle le plus simple qui répond au besoin est donc aussi un choix de sobriété (voir le numérique responsable).

Sécurité de l’information

Le coin cyber

L’apprentissage automatique est l’un des piliers de la cyberdéfense moderne. Mais un modèle qui apprend de données peut être trompé par des données. Les attaques sont décrites ici dans leur principe seulement.

C.1Un allié des défenseurs

Les filtres anti-spam ont été parmi les premières applications grand public de l’apprentissage automatique, dès le début des années 2000. Aujourd’hui, il équipe la détection des logiciels malveillants, qui reconnaît des familles inconnues par leur ressemblance avec les connues, la détection d’intrusions et de comportements anormaux, la lutte contre la fraude bancaire et contre l’hameçonnage (voir la détection d’intrusion). Son atout : repérer des signaux faibles dans des volumes de données qu’aucun analyste ne pourrait examiner. Sa limite : les fausses alertes, qui épuisent les équipes si le modèle est mal réglé (exercice 3).

C.2Tromper le modèle : l’évasion

Un attaquant qui connaît, ou devine, le fonctionnement d’un modèle de détection peut modifier son logiciel malveillant ou son courriel juste assez pour passer sous le seuil d’alerte, sans changer son effet : c’est l’évasion. Les auteurs de spam y ont recours depuis vingt ans, en ajoutant des mots anodins ou en remplaçant des lettres. Les défenseurs combinent donc plusieurs modèles et plusieurs techniques de détection, et réentraînent régulièrement leurs modèles sur les nouvelles variantes.

C.3Empoisonner l’apprentissage

Si l’attaquant peut influencer les données d’entraînement, il peut empoisonner le modèle : signaler massivement ses propres courriels comme légitimes, glisser des exemples piégés dans un jeu de données public, ou dans les données collectées automatiquement, pour que le modèle apprenne une exception à son profit, voire une porte dérobée qui ne se déclenche qu’en présence d’un signal précis. D’où l’importance de contrôler la provenance et la qualité des données d’entraînement, et de surveiller les changements brusques de comportement d’un modèle.

C.4Faire parler le modèle

Un modèle peut aussi révéler ses données. Par l’inférence d’appartenance, un attaquant cherche à savoir si une personne figurait dans les données d’entraînement, par exemple dans un modèle médical, ce qui révèle une information sensible. Par l’extraction, il interroge massivement un modèle pour en reconstruire une copie, volant ainsi un actif coûteux. Limiter le nombre de requêtes, éviter de renvoyer des scores trop détaillés et utiliser des techniques de confidentialité dans l’entraînement réduisent ces risques.

C.5Idée reçue

« Notre modèle est exact à 99 %, il est donc fiable. » Faux. L’exactitude peut être trompeuse quand les cas recherchés sont rares, elle a pu être mesurée sur des données qui ne ressemblent pas à la réalité, et elle ne dit rien de la résistance du modèle à un adversaire qui cherche à le tromper. Il faut des indicateurs adaptés, des tests représentatifs et des essais d’attaque.

C.6Bonnes pratiques

Concevoir

  • Choisir des indicateurs adaptés au coût des erreurs ; tester sur des données représentatives et récentes.
  • Contrôler la provenance et l’intégrité des données d’entraînement ; documenter leur origine.
  • Tester le modèle face à des données modifiées par un adversaire.

Exploiter

  • Surveiller la dérive des performances et réentraîner régulièrement.
  • Limiter et journaliser l’accès au modèle et à ses scores.
  • Combiner plusieurs méthodes de détection ; garder un humain dans la boucle pour les décisions importantes.

Référentiels : NIST AI 100-2, Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations · MITRE ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems) · ENISA (Agence de l’Union européenne pour la cybersécurité), travaux sur la sécurité de l’apprentissage automatique.

Références

  1. A. L. Samuel, « Some Studies in Machine Learning Using the Game of Checkers », IBM Journal of Research and Development, 1959.
  2. T. M. Mitchell, Machine Learning, McGraw-Hill, 1997.
  3. D. E. Rumelhart, G. E. Hinton, R. J. Williams, « Learning representations by back-propagating errors », Nature, vol. 323, 1986.
  4. A. Géron, Machine Learning avec Scikit-Learn, 3e éd., Dunod, 2023.
  5. I. Goodfellow, Y. Bengio, A. Courville, L’apprentissage profond, Florent Massot, 2018.

Voir aussi

Citer cet article

« L'apprentissage automatique », Encyclopédie informatique, révision du 26 octobre 2026.