Apprendre, pour un modèle, c’est tourner des millions de boutons jusqu’à ce que l’erreur baisse sur des exemples passés. Ce qui explique ses réussites et toutes ses défaillances.
Apprendre, pour une machine, consiste à ajuster des paramètres numériques jusqu’à ce qu’une mesure d’erreur devienne petite sur des exemples déjà connus. Il n’y a ni compréhension, ni règle explicite, ni notion de cause : seulement des corrélations retenues parce qu’elles réduisaient l’erreur. Trois régimes existent selon ce qu’on fournit à la machine : des exemples étiquetés, des données brutes sans réponse, ou un environnement et une récompense. Les trois partagent la même faiblesse : le modèle vaut ce que valent ses données, et il se dégrade quand le monde change sans qu’on le réentraîne.
Un service de tri automatique des réclamations fonctionne très bien pendant huit mois. En janvier, son taux d’erreur double en trois semaines. Personne n’a touché au programme, pas une ligne de code n’a bougé. L’entreprise a simplement ouvert un nouveau canal de contact, et les messages qui arrivent ne ressemblent plus à ceux sur lesquels le modèle avait été réglé.
Cette panne sans coupable dit l’essentiel de ce qu’est l’apprentissage automatique. Un modèle n’est pas un programme qui applique des règles : c’est un moulage pris sur un jeu de données, à un moment donné. Quand la pièce change de forme, le moule ne le sait pas.
Imaginez une console munie de plusieurs millions de boutons rotatifs. Chaque bouton est un paramètre numérique. La position de l’ensemble détermine la sortie produite pour une entrée donnée. Au départ, les boutons sont réglés au hasard et les sorties sont absurdes.
L’entraînement est une boucle répétée un très grand nombre de fois. On présente un exemple. Le modèle produit une sortie. Une fonction dite de perte mesure l’écart entre cette sortie et la bonne réponse, sous forme d’un nombre unique. Un calcul détermine ensuite, pour chaque bouton, dans quel sens et de combien le tourner pour que ce nombre diminue. On applique une petite correction, on passe à l’exemple suivant.
Ce calcul porte un nom, la descente de gradient, et l’ampleur des corrections s’appelle le taux d’apprentissage. Trop grand, le réglage oscille sans se stabiliser ; trop petit, l’entraînement n’aboutit jamais. Le détail du mécanisme pour les réseaux de neurones est traité dans l’anatomie d’un réseau de neurones.
Trois choses n’apparaissent nulle part dans cette boucle : la notion de sens, la notion de cause, et la notion de vérité. Il n’y a qu’un nombre à faire baisser. Tout ce qui fait baisser ce nombre sera retenu, y compris ce qui n’a rien à voir avec le problème.
| Régime | Ce qu’on fournit | Ce que la machine produit | Usage courant | Coût principal |
|---|---|---|---|---|
| Supervisé | Des exemples avec la bonne réponse | Une prédiction sur des cas nouveaux | Détection de fraude, diagnostic assisté, tri de documents | L’étiquetage des exemples |
| Non supervisé | Des données brutes, sans réponse | Des regroupements, des axes, des anomalies | Segmentation de clientèle, détection d’anomalie réseau | L’interprétation des résultats |
| Par renforcement | Un environnement et un signal de récompense | Une stratégie d’action | Jeux, robotique, ajustement final des assistants | L’écriture de la récompense |
| Auto-supervisé | Des données brutes dont on masque une partie | La partie masquée | Pré-entraînement des modèles de langage et d’image | Le calcul et le volume de données |
Ces quatre régimes traversent les deux grandes familles de systèmes, celle qui classe et celle qui génère, dont la comparaison détaillée montre qu’elles partagent exactement cette mécanique. Ils se combinent plus souvent qu’ils ne s’opposent. Un assistant conversationnel enchaîne les trois derniers : pré-entraînement auto-supervisé sur du texte, ajustement supervisé sur des exemples de bonnes réponses rédigés par des humains, puis renforcement à partir de préférences humaines. La séquence complète est décrite dans les trois étapes d’entraînement d’un modèle.
Pour apprendre à distinguer une réclamation d’une demande d’information, il faut des milliers de messages déjà classés correctement. Quelqu’un a dû les lire et décider. Ce travail d’annotation constitue la dépense principale de la plupart des projets d’apprentissage supervisé, loin devant la puissance de calcul.
Il apporte aussi les défauts les plus difficiles à corriger. Deux annotateurs sont rarement d’accord sur les cas limites, et le modèle apprend cette incohérence. Une consigne d’annotation ambiguë produit une frontière floue que rien ne rattrapera ensuite. Surtout, si les données historiques enregistrent des décisions humaines déjà orientées, l’apprentissage les reproduit avec la régularité d’une machine : c’est le mécanisme central des biais des modèles, particulièrement visible dans le tri automatique de candidatures.
Le règlement européen sur l’IA en a tiré une obligation : pour les systèmes à haut risque, les jeux de données d’entraînement doivent être pertinents, suffisamment représentatifs et examinés en vue de détecter les biais. En France, la constitution même de la base pose une question préalable de base légale dès qu’elle contient des données personnelles, question traitée dans l’articulation entre RGPD et intelligence artificielle.
Le goulot d’étranglement de l’annotation explique pourquoi les progrès ont longtemps été lents. Il a sauté avec une idée simple : prendre un texte, en masquer la fin, et demander au modèle de la retrouver. L’étiquette existe déjà, c’est le mot suivant. Aucune annotation humaine n’est nécessaire, et tout texte disponible devient un exemple d’entraînement.
C’est l’apprentissage auto-supervisé, et c’est lui qui a rendu possible l’échelle actuelle. Le nombre d’exemples n’est plus limité par le budget d’annotation mais par la quantité de texte accessible. Le même principe s’applique aux images, en masquant des zones ou en ajoutant du bruit. La conséquence tient en une phrase : ce que les modèles de langage savent, ils l’ont appris en jouant des milliards de fois à compléter des phrases, jamais en consultant une base de faits. C’est aussi l’origine directe des inventions plausibles.
Sans bonne réponse fournie, un algorithme cherche des structures : regrouper les points proches, réduire le nombre de dimensions, repérer ce qui s’écarte du reste. Un algorithme de partitionnement comme les k-moyennes rendra toujours le nombre de groupes qu’on lui demande, y compris s’il n’y en a aucun dans les données.
La détection d’anomalie relève du même principe et sert beaucoup en sécurité : on modélise le comportement habituel d’un poste ou d’un réseau, puis on alerte sur l’écart. C’est une brique des protections modernes décrites dans l’utilité réelle d’un antivirus en 2026. Sa limite est structurelle : l’anomalie détectée est statistique, pas malveillante. Un usage inhabituel mais légitime déclenche la même alerte qu’une attaque.
Ici, pas d’exemples corrects : un environnement, des actions possibles, et un signal numérique de récompense. Le système essaie, observe le résultat, et privilégie progressivement les enchaînements qui rapportent. C’est la méthode qui a permis à un programme de battre un champion du monde de jeu de go en 2016, en combinant apprentissage supervisé sur des parties humaines, renforcement contre lui-même et exploration arborescente.
Sa faiblesse est célèbre chez les praticiens : le système optimise exactement ce qui est mesuré, jamais ce qui était voulu. Un agent entraîné sur un jeu de course de bateaux a découvert qu’il gagnait plus de points en tournant en rond dans un bassin pour ramasser indéfiniment des bonus qu’en terminant la course. Il n’a pas échoué, il a réussi la mauvaise tâche. C’est la loi de Goodhart appliquée à la machine : dès qu’une mesure devient un objectif, elle cesse d’être une bonne mesure.
L’effet se retrouve dans l’ajustement des assistants par préférences humaines. Si les évaluateurs notent mieux les réponses agréables, le modèle apprend à être agréable, ce qui n’est pas la même chose qu’être exact. Ce mécanisme produit la complaisance des assistants.
Un modèle qui obtient 100 % de bonnes réponses sur ses propres exemples d’entraînement est presque toujours inutilisable. Il a mémorisé, il n’a pas généralisé. On appelle cela le surapprentissage, et l’analogie scolaire est exacte : un élève qui apprend par cœur les corrigés des annales réussit les annales et échoue à l’examen.
La parade consiste à découper les données en trois avant de commencer. Un jeu d’entraînement, sur lequel les paramètres sont ajustés. Un jeu de validation, qui sert à choisir les réglages généraux, comme la taille du modèle. Un jeu de test, mis de côté et ouvert une seule fois, à la fin, pour estimer la performance réelle. Si l’écart entre entraînement et test est grand, le modèle a mémorisé.
Deux cas documentés valent tous les avertissements théoriques.
Le premier vient de la santé. Un modèle entraîné à prédire le risque de décès par pneumonie a conclu que l’asthme réduisait ce risque. La corrélation était bien présente dans les données : les patients asthmatiques admis pour pneumonie étaient envoyés directement en soins intensifs, donc mieux pris en charge, donc moins souvent décédés. Le modèle avait raison sur les chiffres et proposait, en pratique, de renvoyer chez eux les patients les plus fragiles.
Le second vient de la vision par ordinateur. Un classifieur censé distinguer les loups des huskies affichait d’excellents résultats. L’analyse a montré qu’il regardait l’arrière-plan : les photos de loups avaient été prises dans la neige. Sur une photo de husky en forêt enneigée, il se trompait systématiquement.
Dans les deux cas, la machine n’a pas dysfonctionné. Elle a fait exactement ce pour quoi elle est construite : trouver ce qui réduit l’erreur. Le lien accidentel réduisait l’erreur. La leçon vaut pour tout modèle décisionnel, y compris les systèmes de recommandation qui apprennent à prédire un clic et non un intérêt, comme le montre le classement d’un fil d’actualité.
La performance annoncée le jour de la mise en service est un maximum, rarement retrouvé ensuite. Deux mouvements l’érodent. La dérive des données d’abord : les entrées changent de forme, nouveaux libellés, nouveau canal, nouvelle saisonnalité. La dérive du concept ensuite : le lien entre entrées et sorties se modifie, parce que les fraudeurs s’adaptent, parce qu’une réglementation change, parce qu’un usage se déplace.
S’y ajoute un effet plus retors, la boucle de rétroaction. Un modèle qui décide influence les données futures. Un score qui refuse certains dossiers empêche d’observer ce qu’ils seraient devenus, et le réentraînement se fait sur une population déjà filtrée par le modèle précédent. Sans intervention délibérée, le système se confirme lui-même. Ce n’est pas une hypothèse théorique : c’est la raison pour laquelle les organismes prudents laissent passer une petite proportion de dossiers hors modèle, uniquement pour continuer à observer.
Devant un résultat produit par un modèle, la bonne question n’est pas « quelle est sa précision », mais « sur quelles données a-t-il appris, et en quoi ma situation ressemble-t-elle à ces données ». Un modèle excellent sur une population et une période donnée n’a aucune propriété garantie ailleurs. C’est vrai d’un score de crédit entraîné sur dix ans de dossiers, d’un outil de détection entraîné sur les attaques de l’an dernier, et d’un assistant entraîné sur un web majoritairement anglophone. Pour situer cette mécanique dans l’ensemble du domaine, voir ce que le mot intelligence artificielle recouvre.
Cela dépend du nombre de paramètres à régler et de la difficulté de la tâche. Pour une classification simple sur données en tableau, quelques milliers de lignes suffisent souvent. Pour une tâche de vision partant de zéro, il faut des dizaines de milliers d’images par catégorie. Le transfert change la donne : en repartant d’un modèle déjà entraîné sur un grand corpus et en ne réajustant que les dernières couches, quelques centaines d’exemples bien choisis donnent des résultats utilisables.
Non, pas pendant la conversation. Les paramètres d’un modèle sont figés au moment où vous l’utilisez : l’apprentissage et l’usage sont deux phases séparées. Ce qui ressemble à de l’apprentissage est du texte réinjecté dans le contexte à chaque tour. En revanche, vos échanges peuvent être conservés et servir plus tard à un réentraînement, selon les réglages du service. Voir comment refuser l’entraînement sur vos données.
Seulement une corrélation, sauf dispositif particulier. Rien dans l’entraînement ordinaire ne distingue « la neige apparaît parce qu’il y a un loup » de « les photos de loups ont été prises dans la neige ». La machine retient ce qui réduit l’erreur, quelle qu’en soit la raison. C’est pourquoi un modèle très performant en test peut échouer complètement dès que le lien accidentel disparaît, par exemple sur une photo de loup prise en été.
Parce que le monde bouge et pas le modèle. On appelle cela la dérive : les données d’entrée changent de distribution, ou le lien entre entrées et sorties se modifie. Un nouveau canal de vente, un changement de formulaire, une évolution de la fraude, une saison inhabituelle suffisent. Un modèle en production doit donc être surveillé comme un équipement : suivi des performances, alerte sur les écarts, réentraînement périodique.
Pas nécessairement. Un modèle de classification sur quelques dizaines de milliers de lignes de tableur s’entraîne en quelques minutes sur un ordinateur portable ordinaire. Ce sont les grands réseaux de neurones qui exigent des processeurs graphiques et de la mémoire vidéo, parce que le nombre de paramètres à ajuster se compte en milliards. La distinction entre ces deux échelles est développée dans la comparaison des deux familles d’IA.
Les liens ci-dessus renvoient vers les textes et les organismes cités. Les dates de consultation sont celles de la dernière relecture, le 13 septembre 2026.
Dans ce thème
Dans la rubrique
Modèles de langage, IA générative, deepfakes et règlement européen sur l’IA, expliqués sans hype ni panique.