Comment fonctionne le machine learning ? Explication simple

L'idée centrale : des motifs appris, pas des règles fixes

Le logiciel classique suit des règles écrites par des humains : « Si le montant dépasse 10 000 CHF, signale le paiement. » Cela fonctionne tant que chaque cas entre proprement dans ces règles si-alors. Pour des tâches complexes comme comprendre le langage, reconnaître des images ou prévoir la demande, la liste de règles devient vite ingérable.

Le machine learning inverse la logique : au lieu de fournir des règles, on montre au système de nombreux exemples et on le laisse dégager lui-même les motifs sous-jacents. À partir de milliers de paiements signalés ou non, un modèle déduit seul ce qui semble suspect. Le résultat n'est pas un programme rigide mais un modèle statistique fondé sur des probabilités.

Entraînement et inférence : les deux phases de tout modèle

Tout projet ML passe par deux phases nettement séparées. L'entraînement est gourmand en calcul et a lieu une fois ou périodiquement ; l'inférence s'exécute ensuite de nombreuses fois et rapidement. Cette distinction explique aussi la structure des coûts : l'entraînement coûte beaucoup de calcul en amont, l'inférence coûte par requête.

• Entraînement : le modèle voit des données d'exemple et ajuste progressivement ses paramètres internes pour réduire les erreurs. Le résultat est un modèle fini et enregistré.
• Inférence : le modèle entraîné reçoit des données nouvelles et inédites et renvoie une prédiction, sans continuer à apprendre.
• Validation : entre les deux phases, on teste le modèle sur des données mises de côté pour voir s'il généralise vraiment au lieu de simplement mémoriser.

Les trois types d'apprentissage en un coup d'œil

• Apprentissage supervisé : les données d'entraînement sont étiquetées avec la bonne réponse. Exemple : des e-mails marqués « spam » ou « non spam ». Idéal pour la classification et la prédiction de valeurs concrètes.
• Apprentissage non supervisé : les données n'ont pas d'étiquettes. Le modèle trouve seul des structures, comme des segments de clients ou des anomalies. Idéal pour le regroupement (clustering) et la détection d'anomalies.
• Apprentissage par renforcement : un agent apprend par essais et erreurs via récompense et pénalité, par exemple en robotique ou dans les jeux. Moins courant au quotidien mais important pour les décisions séquentielles.
• Des formes hybrides comme l'apprentissage semi-supervisé et auto-supervisé combinent quelques étiquettes avec beaucoup de données non étiquetées, à la base des modèles de langage modernes.

Pourquoi la qualité des données décide du succès

Un modèle ne vaut que les données dont il apprend. Le principe connu « garbage in, garbage out » s'applique avec une force particulière en machine learning : des données d'entraînement erronées, incomplètes ou biaisées produisent des modèles qui livrent avec assurance des résultats faux. Plus de données n'aide que si elles sont pertinentes et propres.

• Représentativité : les données d'entraînement doivent refléter la réalité future. Si des groupes entiers manquent, le modèle fonctionne mal pour eux.
• Biais : si les données reflètent des inégalités historiques, le modèle les apprend et peut les amplifier.
• Fraîcheur : quand le monde change, un modèle se périme (« data drift ») et doit être réentraîné.
• Qualité des étiquettes : en apprentissage supervisé, des étiquettes correctes sont primordiales ; des exemples mal étiquetés apprennent au modèle la mauvaise chose.

Un exemple simple du début à la fin

Supposons qu'une PME veuille estimer des prix immobiliers. On rassemble des ventes passées avec des caractéristiques comme la surface, l'emplacement et l'année de construction, plus le prix réel (l'étiquette). Ce tableau est le jeu d'entraînement d'un modèle supervisé.

Pendant l'entraînement, l'algorithme cherche la relation entre les caractéristiques et le prix et ajuste ses paramètres jusqu'à ce que ses estimations approchent au mieux les prix réels. On vérifie ensuite la précision sur des ventes mises de côté. En inférence, on saisit les caractéristiques d'un logement nouveau, non vendu, et on obtient une estimation. Si le marché évolue, on réentraîne le modèle avec des données fraîches.

Limites et idées reçues courantes

• Le ML ne comprend pas comme un humain : un modèle repère des motifs statistiques, pas le sens ou la cause. Corrélation n'est pas causalité.
• Surapprentissage : si un modèle mémorise les données d'entraînement, il échoue sur de nouveaux cas. D'où la phase de test séparée.
• Pas de bon sens : en dehors des données vues, un modèle peut produire des sorties absurdes sans s'en « rendre compte ».
• Pas toujours le bon choix : pour des règles claires et stables, les programmes classiques sont souvent plus simples, moins chers et plus transparents que le ML.

Perspective suisse : protection des données et usage responsable

Comme le machine learning vit de données, il touche directement en Suisse la loi révisée sur la protection des données (nLPD/revDSG). Quiconque utilise des données personnelles pour l'entraînement a besoin d'une base légale valable, doit informer de façon transparente et respecter les principes de minimisation des données et de limitation de la finalité. L'autorité de surveillance est le Préposé fédéral à la protection des données et à la transparence (PFPDT/EDÖB).

En pratique : documenter la provenance des données, vérifier les biais des jeux de données, garder les modèles explicables et prévoir une supervision humaine pour les décisions sensibles. Pour les PME suisses en particulier, une gestion propre des données n'est pas un frein mais un avantage de confiance auprès des clients et partenaires.