L'apprentissage automatique
Comment un téléphone reconnaît-il un visage, une messagerie un courriel indésirable, une banque une fraude à la carte ? Personne n’a écrit les règles : ces systèmes les ont apprises à partir d’exemples. C’est le principe de l’apprentissage automatique, le moteur de l’intelligence artificielle actuelle. Cet article explique ses trois grandes familles, le déroulement d’un projet, la façon dont une machine « apprend » en réduisant ses erreurs, les pièges du sur-apprentissage et des mauvaises mesures, puis les réseaux de neurones. Il montre enfin que les données d’apprentissage, comme les modèles eux-mêmes, sont devenues une cible.
- Rubrique
- Données et IA
- Niveau
- Intermédiaire à avancé
- Lecture
- 20 min (essentiel)
23 min (complet) - Révision
- 26 octobre 2026
En bref
- L’apprentissage automatique permet à un programme d’apprendre une tâche à partir d’exemples, au lieu d’en recevoir les règles.
- Il existe trois grandes familles : l’apprentissage supervisé, à partir d’exemples dont on connaît la réponse ; non supervisé, pour trouver des structures dans des données sans réponse ; par renforcement, par essais et récompenses.
- Apprendre, c’est ajuster les paramètres d’un modèle pour réduire ses erreurs sur les exemples, le plus souvent par descente de gradient.
- Un bon modèle doit réussir sur des données qu’il n’a jamais vues : on le teste à part, et l’on se méfie du sur-apprentissage et des mesures trompeuses.
- Les réseaux de neurones profonds dominent pour les images, le son et le langage ; tous les modèles restent vulnérables à des données piégées.
Prérequis conseillés : L'intelligence artificielle · L'algorithmique
1Définition
L’apprentissage automatique (en anglais machine learning, ML) est la branche de l’intelligence artificielle qui donne aux ordinateurs la capacité d’apprendre à partir de données, plutôt que d’appliquer des règles écrites par un programmeur (voir l’intelligence artificielle). L’expression a été popularisée en 1959 par l’informaticien américain Arthur Samuel, auteur d’un programme de jeu de dames qui progressait en jouant contre lui-même.
En 1997, l’informaticien Tom Mitchell en a donné une définition devenue classique : on dit qu’un programme apprend d’une expérience E, pour une tâche T et une mesure de performance P, si sa performance sur T, mesurée par P, s’améliore avec l’expérience E. Pour un filtre anti-spam, la tâche est de classer les courriels, l’expérience, des milliers de courriels déjà classés, et la mesure, la proportion de courriels correctement triés.
Le changement de méthode est profond. En programmation classique, l’humain écrit des règles, et l’ordinateur les applique aux données pour produire des réponses. En apprentissage automatique, l’humain fournit des données et des réponses, et l’ordinateur en déduit les règles, sous la forme d’un modèle mathématique, qu’il pourra ensuite appliquer à de nouvelles données. Cette approche convient aux problèmes dont les règles sont trop nombreuses, trop floues ou trop changeantes pour être écrites à la main : reconnaître un visage, comprendre une phrase, repérer une fraude. Elle a en revanche un prix : un modèle appris peut se tromper sans prévenir, et ses règles sont souvent difficiles à lire.
2Trois grandes familles
On distingue trois familles d’apprentissage, selon la nature des exemples disponibles (figure 1).
2.1L’apprentissage supervisé
Dans l’apprentissage supervisé, chaque exemple est accompagné de la bonne réponse, appelée étiquette : un courriel et la mention « spam » ou « légitime », une photo et le nom de l’animal, une maison et son prix de vente. Le modèle apprend à prédire l’étiquette à partir des caractéristiques de l’exemple. On distingue :
- la classification, quand la réponse est une catégorie : spam ou non, chat ou chien, transaction frauduleuse ou non ;
- la régression, quand la réponse est un nombre : prix d’une maison, consommation d’électricité de demain, durée d’un trajet.
C’est la famille la plus utilisée dans les entreprises. Sa principale difficulté est d’obtenir assez d’exemples étiquetés : il faut souvent payer des personnes pour classer à la main des milliers d’images ou de documents.
2.2L’apprentissage non supervisé
Dans l’apprentissage non supervisé, les données n’ont pas d’étiquette ; on cherche à y découvrir une structure. Le partitionnement (en anglais clustering) regroupe les éléments qui se ressemblent, par exemple des clients aux habitudes d’achat proches, sans savoir à l’avance combien de groupes il y a ni ce qu’ils signifient. La réduction de dimension résume des données décrites par des centaines de variables en quelques axes principaux, pour les visualiser ou les simplifier. La détection d’anomalies repère les éléments qui ne ressemblent à aucun autre, comme une connexion inhabituelle sur un réseau (voir la détection d’intrusion).
2.3L’apprentissage par renforcement
Dans l’apprentissage par renforcement, un agent agit dans un environnement, observe le résultat de ses actions et reçoit des récompenses ou des pénalités. Il apprend, par essais et erreurs, la stratégie qui maximise ses récompenses à long terme. C’est ainsi qu’AlphaGo a appris à jouer au go en disputant des millions de parties contre lui-même, et que l’on entraîne des robots à marcher en simulation. Le renforcement sert aussi à affiner les assistants conversationnels, en les récompensant pour les réponses que des humains, ou d’autres modèles, jugent meilleures (voir l’IA générative).
2.4L’apprentissage auto-supervisé
Les grands modèles actuels utilisent beaucoup une quatrième voie, l’apprentissage auto-supervisé : les étiquettes sont fabriquées automatiquement à partir des données elles-mêmes. Pour apprendre le langage, on masque un mot d’une phrase, ou l’on coupe la phrase, et le modèle doit deviner la suite. Aucune intervention humaine n’est nécessaire, ce qui permet d’apprendre sur des quantités gigantesques de textes, d’images ou de sons. C’est la base des modèles de langage.
Pour s’exercer
Exercice 1 : quel type de problème ?
Classez chaque problème : a) prédire la note sur 20 d’un étudiant à partir de ses résultats intermédiaires ; b) savoir si une radiographie montre une fracture ; c) regrouper les articles d’un journal par thèmes, sans liste de thèmes préalable ; d) apprendre à un robot aspirateur à nettoyer une pièce en évitant les obstacles ; e) repérer, parmi des millions de connexions, celles qui sortent de l’ordinaire.
Voir la réponse
a) Supervisé, régression : la réponse est un nombre. b) Supervisé, classification : fracture ou non. c) Non supervisé, partitionnement. d) Renforcement : le robot agit, et l’on récompense la surface nettoyée et l’absence de chocs. e) Non supervisé, détection d’anomalies, éventuellement complété par du supervisé si l’on dispose d’exemples d’attaques connues.