Lexique · technique
Machine learning
Aussi appelé : Apprentissage automatique, Apprentissage machine, ML, Apprentissage statistique.
Le machine learning (apprentissage automatique) est une branche de l'intelligence artificielle où un programme apprend à reconnaître des régularités à partir de données, au lieu de suivre des règles écrites une à une par un développeur.
Le machine learning désigne une famille de méthodes qui permettent à un programme d'apprendre à partir d'exemples. Plutôt que de coder à la main chaque règle (« si le montant dépasse X et le pays est Y, alors… »), on fournit au système un grand nombre de cas passés et on le laisse déduire lui-même les régularités. Le résultat de cet apprentissage s'appelle un modèle : une fois entraîné, il sait produire une prédiction ou un classement sur des données qu'il n'a jamais vues.
Il faut distinguer trois niveaux souvent confondus. L'intelligence artificielle (IA) est le terme large : faire réaliser à une machine des tâches qui demanderaient de l'intelligence humaine. Le machine learning en est le sous-ensemble le plus courant aujourd'hui : l'IA qui apprend des données. Le deep learning (apprentissage profond) est lui-même un sous-ensemble du machine learning, fondé sur des réseaux de neurones à plusieurs couches ; c'est la technique derrière la reconnaissance d'images et les modèles de langage comme ChatGPT. En résumé : tout deep learning est du machine learning, et tout machine learning est de l'IA, mais l'inverse n'est pas vrai.
On parle d'apprentissage supervisé quand on entraîne le modèle sur des exemples déjà étiquetés (des e-mails marqués « spam » ou « non spam », des photos annotées) : il apprend à reproduire ce classement sur de nouveaux cas. On parle d'apprentissage non supervisé quand les données n'ont pas d'étiquette et que le modèle cherche seul des groupes ou des structures (par exemple segmenter une base clients en profils similaires). Les usages concrets sont déjà partout : recommandation de produits, détection de fraude bancaire, prévision de la demande ou des ruptures de stock, maintenance prédictive, filtrage anti-spam.
Pour une TPE/PME, deux conditions priment avant tout projet. D'abord les données : il faut un historique suffisant, propre et cohérent, car un modèle entraîné sur des données rares ou biaisées produira des prédictions peu fiables. Ensuite un cas d'usage à valeur claire : automatiser une décision répétitive, anticiper un comportement, prioriser des dossiers. Inutile de viser un grand projet d'emblée. Bien souvent, une solution existante intégrant déjà du machine learning, ou une analyse statistique classique, répond au besoin pour une fraction du coût d'un modèle développé sur mesure.
Notre prestation
Accompagnement IA et adaptation de vos outils existants
Cadrer une stratégie IA réaliste, intégrer des modèles dans vos outils existants — sans tomber dans l'effet de mode.
Pour aller plus loin
Intelligence artificielle, machine learning : de quoi parle-t-on ?
Connaissez-vous le fonctionnement de l'intelligence artificielle et du machine learning ?
Questions fréquentes
Quelle est la différence entre IA, machine learning et deep learning ?
L'intelligence artificielle est le terme le plus large : faire réaliser par une machine des tâches qui demandent de l'intelligence. Le machine learning en est le sous-ensemble qui apprend à partir de données plutôt que de règles écrites à la main. Le deep learning est lui-même un sous-ensemble du machine learning, basé sur des réseaux de neurones profonds. Tout deep learning est du machine learning, et tout machine learning est de l'IA, mais pas l'inverse.
Quelle quantité de données faut-il pour faire du machine learning ?
Il n'existe pas de seuil universel : cela dépend de la complexité du problème et du nombre de variables. Pour un cas simple, quelques milliers d'exemples bien étiquetés peuvent suffire ; le deep learning, lui, en réclame beaucoup plus. Plus important que le volume : la qualité et la représentativité des données. Un historique propre et cohérent vaut mieux qu'une masse de données bruitées ou biaisées.
Quels sont des exemples concrets de machine learning en entreprise ?
Les usages les plus répandus sont la recommandation de produits, la détection de fraude bancaire, le filtrage anti-spam, la prévision de la demande ou des ruptures de stock, la maintenance prédictive et la segmentation de clientèle. Ces applications partagent un point commun : une décision répétitive ou une prédiction, appuyée sur un historique de cas passés.
Le machine learning, est-ce réservé aux grandes entreprises ?
Non, c'est une idée reçue. Une TPE/PME n'a pas besoin de construire un modèle sur mesure pour en profiter : de nombreux outils du marché (CRM, e-commerce, comptabilité) intègrent déjà des fonctions de machine learning. L'enjeu est d'identifier un cas d'usage à valeur claire et de disposer de données exploitables, pas de viser d'emblée un grand projet coûteux.
Quelle différence entre apprentissage supervisé et non supervisé ?
En apprentissage supervisé, on entraîne le modèle sur des exemples déjà étiquetés (e-mails marqués spam ou non) pour qu'il reproduise ce classement sur de nouveaux cas. En apprentissage non supervisé, les données n'ont pas d'étiquette : le modèle cherche seul des groupes ou des structures, par exemple pour segmenter une base clients. Le choix dépend de la disponibilité d'étiquettes et de l'objectif visé.