Fondamentaux de l’IA, séance 8 : comment une machine apprend

Apprentissage automatique, profond, génératif

Pourquoi cette séance existe

Vous utilisez ces outils depuis le début de l’année. Ce matin, vous allez en entraîner un vous-même, en dix minutes, sans écrire une ligne de code. Et vous allez le voir se tromper, parce que vous l’aurez décidé.

C’est la seule façon de comprendre ce que « apprendre » veut dire pour une machine. Expliqué, cela reste une métaphore. Fait de vos mains, cela devient une évidence, et vous ne la perdrez plus.

Cette compréhension sert trois fois : quand un prestataire vous vend une solution et qu’il faut juger si elle tient, quand un outil produit un résultat aberrant et qu’il faut savoir où regarder, et quand une direction demande si l’on peut « faire de l’IA » sur un sujet et qu’il faut répondre autre chose que oui.

Aucune formule ne sera écrite.

Ce que vous saurez à la fin de cette séance

• Entraîner un modèle de classification, le tester, et provoquer son erreur
• Dire ce que « apprendre » signifie pour une machine, sans métaphore
• Reconnaître de quelle famille relève un problème métier, et ce qu’il faudrait avoir
• Expliquer ce que le mot « profond » désigne, et ce qu’il a changé
• Situer l’IA générative par rapport au reste, et savoir ce qu’elle ne garantit pas

1. Ce que « apprendre » veut dire ici

1.1 La règle n’est écrite par personne

Un logiciel classique fonctionne par règles écrites à l’avance : si le montant dépasse 1 000 euros, alors demander une validation. Quelqu’un a décidé la règle, elle est lisible, et on peut la corriger en la relisant.

Un système qui apprend ne fonctionne pas ainsi. Sa règle de décision n’est pas écrite ligne par ligne par un développeur : elle est tirée de données, et selon la famille de méthode ces données sont des exemples déjà étiquetés, des observations sans étiquette, ou des retours reçus au fil des tentatives.

La différence est décisive pour vous : quand un tel système se trompe, il n’y a aucune règle à relire. Il faut regarder les données avec lesquelles il a été construit, et l’objectif qu’on lui a donné.

1.2 Un cas fréquent : apprendre des paramètres en réduisant une erreur

La famille que vous rencontrerez le plus souvent en entreprise apprend à partir d’exemples dont on connaît la bonne réponse. Sa mécanique tient en trois temps.

Un. Le système part de réglages quelconques et produit une réponse, forcément mauvaise.

Deux. On mesure l’écart entre sa réponse et la bonne réponse. Cet écart s’appelle l’erreur.

Trois. On corrige légèrement les réglages dans le sens qui réduit l’erreur, et on recommence. Des millions de fois.

Il n’y a pas d’autre magie. Retenez bien que cette boucle décrit ce cas-là, et non tout ce qu’on appelle apprentissage : un arbre de décision se construit autrement, un regroupement n’a aucune bonne réponse à comparer, et un système qui apprend par récompense ne dispose que d’un signal de succès. Les trois familles arrivent à la partie 2.

À retenir. Un système apprend en tirant sa règle de décision de données plutôt que de la recevoir écrite. Dans le cas le plus fréquent, celui d’exemples étiquetés, cela revient à ajuster des réglages pour réduire un écart mesuré. Trois conséquences suivent, et elles vous concernent toutes les trois : la qualité dépend des données, l’objectif mesuré définit ce que le système optimise vraiment, et rien de ce qui n’a pas été mesuré n’est appris.

1.3 Le point que les commerciaux ne disent jamais

Ce que le système optimise, c’est l’écart que vous avez choisi de mesurer. Si vous mesurez le taux de clics, il optimise le taux de clics, y compris au détriment de la marge, de la satisfaction ou de la réputation.

Ce n’est pas un dysfonctionnement : c’est exactement ce qu’on lui a demandé. Un système bien construit sur un mauvais objectif fait très efficacement une chose qu’on ne voulait pas.

Atelier 1, entraînez votre modèle, puis cassez-le

En binôme, sur un poste ou un téléphone à webcam. Aucun compte, aucune installation, rien à payer : tout se passe dans le navigateur, et l’entraînement s’y fait aussi².

Ouvrez teachablemachine.withgoogle.com, puis Get Started, puis Image Project, puis Standard image model.

Premier temps, dix minutes : vous l’entraînez.

1. Nommez trois classes. Prenez des objets que vous avez sous la main et qui se distinguent bien : un stylo, une tasse, un téléphone. Ou trois gestes de la main.
2. Pour chaque classe, cliquez Webcam et maintenez enregistré deux à trois secondes, en bougeant l’objet. Vous obtenez une cinquantaine d’images par classe.
3. Cliquez Train Model. L’entraînement dure de quinze à trente secondes, dans votre navigateur.
4. Montrez vos objets à la caméra. La barre de la bonne classe monte. Vous venez d’entraîner un modèle d’apprentissage supervisé.

Deuxième temps, dix minutes : vous le mettez en défaut. Chaque équipe fait les trois manipulations et note ce qu’elle observe.

• Le déséquilibre. Ajoutez une quatrième classe avec cinq images seulement, quand les autres en ont cinquante. Réentraînez. Que se passe-t-il quand vous lui montrez ce quatrième objet ?
• Le décor. Enregistrez une classe devant un mur clair et une autre devant un mur sombre, en gardant le même objet. Réentraînez. Qu’a-t-il appris à reconnaître : l’objet, ou le fond ?
• L’inconnu. Montrez-lui un objet dont vous ne lui avez jamais parlé. Que répond-il ? Répond-il « je ne sais pas » ?

Troisième temps, quinze minutes : la mise en commun. Chaque binôme donne en une phrase ce que sa manipulation du décor a montré.

2. Les trois familles d’apprentissage

Ce que vous venez de faire porte un nom : de l’apprentissage supervisé¹. Vous avez donné des exemples étiquetés, la machine a appris à prédire l’étiquette. C’est la première des trois familles.

2.1 Supervisé : on connaît les bonnes réponses

On dispose d’exemples étiquetés : ces mille clients ont résilié, ces neuf mille sont restés. Le système apprend à prédire l’étiquette.

C’est la famille la plus répandue en entreprise, la plus fiable, et la plus exigeante : elle suppose des données étiquetées, en quantité, et l’étiquetage coûte cher. Ce matin, l’étiquetage vous a pris deux minutes par classe. Sur trois ans d’historique client, c’est le budget principal du projet.

En marketing : prédiction de résiliation, scoring de prospects, détection de fraude, classement automatique de messages entrants.

2.2 Non supervisé : on ne sait pas ce qu’on cherche

On dispose de données sans étiquette, et on demande au système de trouver des structures : des groupes de clients qui se ressemblent, des anomalies.

C’est utile pour explorer, et il faut en connaître la limite : les groupes trouvés ne sont pas des segments. Ce sont des regroupements statistiques, qui peuvent parfaitement n’avoir aucun sens commercial. C’est à vous de les interpréter, ou de les rejeter.

En marketing : segmentation exploratoire, détection de comportements atypiques, regroupement de verbatims clients.

2.3 Par renforcement : on apprend par essais et récompenses

Le système agit, reçoit une récompense ou une pénalité, et ajuste sa stratégie. Il apprend une politique d’action, pas une prédiction.

C’est la famille la plus spectaculaire et la moins présente dans une direction marketing. Vous la rencontrerez surtout indirectement : optimisation d’enchères publicitaires, ordonnancement de recommandations.

2.4 Reconnaître la famille, en une question

Atelier 2, de quelle famille relève votre problème

En binôme, douze minutes de travail, huit de mise en commun.

1. Écrivez trois questions que votre entreprise d’accueil aimerait poser à ses données. Des vraies questions, telles qu’elles se disent en réunion.
2. Pour chacune, désignez la famille d’apprentissage concernée.
3. Pour chacune, dites ce qu’il faudrait avoir pour que ce soit possible : quelles données, étiquetées ou non, en quelle quantité.
4. Repérez celle des trois qui est infaisable aujourd’hui, et dites pourquoi.

La quatrième réponse est la plus utile professionnellement : elle vous évitera de promettre l’impossible.

3. Ce que « profond » veut dire

3.1 Des couches, et ce qu’elles font

Un réseau de neurones est une suite de couches de calcul. Chaque couche reçoit ce que la précédente a produit et en tire une représentation un peu plus abstraite.

Sur une image de chat, très schématiquement : les premières couches détectent des bords et des contrastes, les suivantes des textures et des formes, les dernières des motifs qui correspondent à des objets. Personne n’a écrit « une oreille de chat est un triangle » : ces représentations se sont formées en réduisant l’erreur.

C’est exactement ce qui a tourné dans votre navigateur ce matin, en trente secondes, sur cent cinquante images. Les modèles dont on parle dans la presse font la même chose sur des milliards d’images et pendant des semaines.

« Profond » désigne exactement cela : beaucoup de couches. Rien d’autre. Le mot ne dit ni la qualité, ni la compréhension, ni l’intelligence.

3.2 Pourquoi cela n’a marché que récemment

Les principes sont anciens, et ils ont attendu longtemps trois conditions, qui se sont réunies dans les années 2010 : des données en quantité inédite, une puissance de calcul devenue accessible, et des améliorations d’entraînement qui ont rendu possible d’empiler beaucoup de couches sans que l’apprentissage s’effondre.

Retenez surtout la première : la disponibilité des données a plus fait que les idées. C’est une leçon transposable à votre métier.

3.3 La contrepartie, et elle est lourde

Un réseau profond fonctionne mieux qu’un modèle simple sur beaucoup de tâches, et il est beaucoup moins explicable. On peut constater qu’il se trompe ; on peut rarement dire pourquoi, en termes que reprendrait une direction.

Cela a des conséquences concrètes : dans les domaines où une décision doit être justifiée, on préfère souvent un modèle moins performant et explicable. Ce n’est pas de la frilosité, c’est une contrainte.

4. L’IA générative, et ce qu’elle change

4.1 Classer contre produire

Tout ce qui précède classe ou prédit : une étiquette, un nombre, un groupe. Votre modèle de ce matin classait. L’IA générative produit : un texte, une image, un son.

Le mécanisme d’apprentissage est le même, la tâche change. Un modèle de langage apprend à prédire l’élément suivant d’une séquence, et en enchaînant ces prédictions, il produit du texte.

4.2 Ce que cela change pour vous, concrètement

C’est la partie la plus utile de votre semaine de travail, et il faut la nommer précisément. Ce que ces outils font très bien, aujourd’hui, sans réserve :

Ce gain est réel, il est déjà là, et il change ce qu’on peut faire seul. La question professionnelle n’est plus « est-ce que ça marche » : c’est sur quoi je le mets, et qui relit.

4.3 Ce qu’il produit, et ce que cela implique

Un système qui produit l’élément suivant le plus probable produit du vraisemblable, et le vraisemblable n’est pas le vrai.

Ce n’est pas un défaut à corriger dans la prochaine version : c’est la nature de l’opération. Un tel système ne consulte pas une base de connaissances, il compose.

Trois conséquences professionnelles :

• Sur la forme, il est excellent, et c’est là que se trouve le gain de temps réel.
• Sur les faits vérifiables, il faut vérifier, y compris quand la réponse est sûre d’elle.
• Sur ce qui n’existe pas dans ses données, il invente sans le signaler. C’était le sujet de la deuxième année ce mois-ci, et vous le verrez l’an prochain.

4.4 Les biais viennent des données, et vous les avez vus ce matin

Vous avez fabriqué un biais vous-même, avec le mur clair et le mur sombre : votre modèle avait appris le fond, pas l’objet. Personne ne le lui avait demandé, et rien dans son affichage ne le signalait.

C’est exactement le mécanisme du cas d’école, documenté et instructif : un outil de tri de candidatures entraîné sur les recrutements passés d’une entreprise apprend à privilégier les profils qui ressemblent aux recrutés passés. Si ces recrutements étaient déséquilibrés, le système reproduit le déséquilibre, avec l’apparence de l’objectivité en plus.

Pour un manager marketing, la version qui vous concerne : un modèle entraîné sur vos clients actuels vous proposera des prospects qui ressemblent à vos clients actuels. C’est utile pour vendre plus de la même chose, et c’est un piège si vous cherchez un marché nouveau.

4.5 Ce que ces outils coûtent réellement

Trois coûts, et deux sont invisibles au moment de l’achat.

Le coût d’usage, visible : l’abonnement ou la facturation à l’usage.

Le coût de vérification, invisible et souvent supérieur : quelqu’un doit relire. Un contenu produit en trois minutes et relu en vingt n’a pas fait gagner dix-sept minutes.

Le coût de dépendance, invisible et durable : une chaîne de production bâtie sur un outil dont vous ne maîtrisez ni le prix, ni la disponibilité, ni les conditions d’usage.

5. Ce qu’un manager doit en retenir

5.1 Trois questions à poser à tout prestataire

« Sur quelles données le modèle a-t-il été entraîné, et de quand datent-elles ? » La réponse dit ce que le système sait et ce qu’il reproduit.

« Qu’est-ce qui a été optimisé, exactement ? » C’est la question la plus révélatrice, et la moins posée.

« Montrez-moi un cas où il se trompe. » Un prestataire sérieux en a un. Un vendeur vous dira que cela n’arrive pas. Vous, vous en avez fabriqué trois avant midi.

5.2 Ce qui se délègue et ce qui ne se délègue pas

Se délègue volontiers : la production de premières versions, le classement, le résumé, la reformulation, la traduction, la détection d’anomalies.

Ne se délègue pas : la décision, l’arbitrage, la relation, et tout ce dont vous répondrez. Vous restez responsable de ce qui sort sous votre nom, et cette responsabilité ne se transfère à aucun outil.

5.3 La question qui précède toutes les autres

Avant de demander « peut-on faire de l’IA sur ce sujet », il faut demander : quel problème cherche-t-on à résoudre, et comment saura-t-on qu’il est résolu ?

Un projet qui ne sait pas répondre à cette question échouera, quel que soit l’outil.

Atelier 3, la note d’opportunité

Individuellement, douze minutes d’écriture, huit de mise en commun.

Votre direction vous demande une note d’une page sur un projet d’IA. Écrivez-en la structure et les deux premiers paragraphes :

1. Le problème, en une phrase, sans le mot « intelligence artificielle ».
2. Comment on saura qu’il est résolu, avec une grandeur mesurable.
3. Ce qu’il faudrait avoir : données, étiquettes, quantité.
4. Ce qui reste humain, explicitement.

C’est le format qu’on vous demandera en entreprise, et il ne s’improvise pas.

Pour aller plus loin, chez vous : les huit affirmations

Voici huit phrases entendues en entreprise. Pour chacune, dites si elle est juste, fausse, ou juste sous condition, et justifiez en une ligne. Le corrigé figure à la fin du support remis en fin de séance : ne l’ouvrez qu’une fois vos huit réponses écrites.

1. « L’IA comprend ce qu’elle lit. »
2. « Plus on lui donne de données, meilleur c’est. »
3. « Elle est objective, contrairement à un humain. »
4. « Si elle se trompe, on corrigera la règle. »
5. « Elle peut prédire nos ventes du trimestre prochain. »
6. « Elle a été entraînée sur tout Internet, donc elle sait tout. »
7. « On peut lui demander pourquoi elle a répondu cela. »
8. « Elle nous fera gagner du temps sur la production de contenu. »

Sources

Notes

• La distinction entre apprentissage supervisé, non supervisé et par renforcement, ainsi que la description de l’apprentissage supervisé comme minimisation d’une erreur sur des exemples étiquetés, sont celles du manuel de référence du domaine : Stuart Russell et Peter Norvig, « Artificial Intelligence: A Modern Approach », 4e édition américaine, page de l’ouvrage sur aima.cs.berkeley.edu. C’est la source à opposer à une définition trouvée sur une page de vente. Vérifié le 14 août 2026. Revenir au texte
• L’outil employé à l’atelier 1, Teachable Machine, s’utilise depuis un navigateur, sur teachablemachine.withgoogle.com. Ce que le service fait des images capturées, ses conditions d’usage et sa disponibilité se relèvent sur son propre site, le jour de la séance : ce cours n’en reproduit aucune affirmation qu’il ne pourrait pas dater, et ne promet donc pas aux apprenants que leurs images restent sur leur machine. La consigne prudente s’applique de toute façon : on présente à l’objectif des objets, jamais un visage, un document ou quoi que ce soit de personnel. Revenir au texte

À lire aussi sur le site

• Introduction à l’IA : apprentissage automatique, apprentissage profond, IA générative : le même terrain en plus large, si la distinction entre les trois reste floue.