Le machine learning expliqué : comment l'IA apprend réellement (sans le baratin)

Le livre de recettes de votre mère

Laissez-moi vous parler de ma mère. Elle fait la meilleure tarte aux pommes que j'aie jamais goûtée. Absolument parfaite. À chaque fois.

Le truc, c'est qu'elle n'a jamais utilisé de recette. Pas une seule fois. Elle fait cette tarte depuis 40 ans. Elle sait simplement ce qui fonctionne.

Comment a-t-elle appris ?

Elle a commencé avec la recette de sa mère. La première tarte ? Correcte. La deuxième ? Elle a ajouté un peu plus de cannelle car la première était fade. La troisième ? Moins de sucre car la deuxième était trop sucrée. La quatrième ? Plus de beurre dans la pâte car elle était trop sèche.

Année après année, tarte après tarte, elle s'est ajustée. Elle a remarqué des motifs. « Quand les pommes sont trop acides, ajoute plus de sucre. Quand elles sont douces, mets-en moins. S'il fait humide, utilise moins d'eau dans la pâte. S'il fait sec, utilises-en plus. »

Elle a appris par l'expérience. Grâce aux retours. En faisant des centaines de tartes et en remarquant ce qui fonctionnait et ce qui ne fonctionnait pas.

C'est exactement comme ça que le machine learning fonctionne. Sauf qu'au lieu de faire des tartes, les ordinateurs font des prédictions. Et au lieu de 40 ans, ils le font en quelques heures.

Laissez-moi vous montrer comment.

Ce que « Apprendre » signifie vraiment (pour les machines)

Quand les gens disent qu'un ordinateur a « appris » quelque chose, ils ne veulent pas dire qu'il a compris. Ils veulent dire qu'il est devenu meilleur à une tâche grâce à la pratique.

Ma mère ne comprenait pas la chimie expliquant comment le beurre rend la pâte feuilletée. Elle savait juste que ça marchait. Elle a trouvé un motif : plus de beurre égale une pâte plus feuilletée. C'est ça, l'apprentissage.

Les ordinateurs font la même chose, mais avec des données au lieu de tartes.

Laissez-moi vous donner un exemple concret que vous rencontrez tous les jours : le filtre anti-spam de votre messagerie.

L'ancienne méthode (avant l'apprentissage)

Des règles manuelles qui cassaient sans cesse

Quelqu'un devait écrire des règles : « Si l'e-mail contient 'prince nigérian', c'est du spam. S'il dit 'Vous avez gagné à la loterie', c'est du spam. S'il a plus de 10 points d'exclamation, c'est du spam. »

Le problème ? Les spammeurs se sont adaptés. Ils ont commencé à écrire « pr1nce n1gérian » ou « L0terie ». Les règles ne fonctionnaient plus. Quelqu'un devait écrire manuellement de nouvelles règles. Encore et encore. Indéfiniment.

La nouvelle méthode (avec l'apprentissage)

L'ordinateur trouve ses propres motifs

Vous montrez 10 000 e-mails à l'ordinateur. « Ces 5 000 sont des spams. Ces 5 000 sont authentiques. » L'ordinateur les examine et trouve des motifs que vous ne lui avez jamais demandé de chercher :

→ Les e-mails de spam ont tendance à avoir certains mots groupés
→ Ils proviennent de types spécifiques d'adresses e-mail
→ Ils présentent des schémas de ponctuation inhabituels
→ Les liens qu'ils contiennent semblent suspects de manières spécifiques

Maintenant, quand les spammeurs changent de tactique, il vous suffit de montrer à l'ordinateur de nouveaux exemples de spam. Il trouve de nouveaux motifs. Pas besoin d'écrire de nouvelles règles manuellement.

C'est ça, le machine learning : des ordinateurs qui s'améliorent dans des tâches en trouvant des motifs dans des exemples, et non en suivant des règles écrites par quelqu'un.

Les trois manières dont les machines s'entraînent

Tout comme les gens apprennent de différentes manières, les machines ont différentes méthodes d'apprentissage pour différentes situations. Laissez-moi vous présenter les trois principales avec des exemples qui vous parleront.

Apprendre avec un professeur (Apprentissage supervisé)

Vous souvenez-vous d'avoir appris les tables de multiplication à l'école ? Votre professeur vous donnait les problèmes ET les réponses. « Combien font 7 fois 8 ? » « 56. » Vous vous êtes entraîné jusqu'à pouvoir répondre sans regarder.

C'est l'apprentissage supervisé. L'ordinateur reçoit les questions et les réponses ensemble.

Exemple : Apprendre à un ordinateur à reconnaître des photos

Vous lui montrez 1 000 photos. Pour chacune, vous lui dites ce qu'elle contient :

📷 Cette photo : Chat
📷 Cette photo : Chien
📷 Cette photo : Voiture

L'ordinateur commence par deviner au hasard. Des suppositions terribles au début. Puis il remarque des motifs : « Les photos avec des oreilles pointues et des moustaches sont généralement des chats. Les photos avec des oreilles tombantes et une truffe humide sont généralement des chiens. Les photos avec des roues et des fenêtres sont généralement des voitures. »

Il s'entraîne sur ces 1 000 photos jusqu'à devenir très bon. Ensuite, vous le testez sur de nouvelles photos qu'il n'a jamais vues. S'il a bien appris les motifs, il les reconnaît correctement.

C'est ainsi que votre téléphone reconnaît les visages, que les médecins utilisent l'IA pour repérer des maladies sur les radiographies, et que les assistants vocaux comprennent ce que vous dites.

Apprendre sans professeur (Apprentissage non supervisé)

Maintenant, imaginez que vous triez la collection de boutons de votre défunte tante. Elle avait des centaines de boutons, tous mélangés. Vous n'avez pas de guide. Vous commencez simplement à les trier en tas qui ont du sens pour vous.

Trouver des motifs par soi-même

→ Les gros boutons ici. Les petits boutons là.
→ Ceux en métal dans ce tas. Ceux en plastique dans cet autre tas.

Vous trouvez des motifs sans que personne ne vous dise quoi chercher.

C'est l'apprentissage non supervisé. L'ordinateur cherche des motifs sans qu'on lui dise quelle devrait être la réponse.

Exemple : Trouver des groupes de clients

Un magasin dispose des données de 10 000 clients : ce qu'ils achètent, quand ils font leurs achats, combien ils dépensent. Personne ne dit à l'ordinateur quels groupes existent. Il observe simplement et trouve des motifs :

Groupe 1 : Jeunes qui font leurs achats tard le soir, achètent de petites quantités, viennent souvent

Groupe 2 : Familles qui font leurs achats le week-end, achètent en gros, viennent chaque semaine

Groupe 3 : Retraités qui font leurs achats en milieu de journée en semaine, achètent des articles spécifiques, très régulièrement

Personne ne lui a dit que ces groupes existaient. Il les a trouvés en remarquant quels clients se comportent de manière similaire.

C'est ainsi que Netflix regroupe les séries que vous pourriez aimer, que la détection de fraude trouve des transactions inhabituelles, et que les scientifiques découvrent des motifs dans l'ADN.

Apprendre par l'essai (Apprentissage par renforcement)

Vous souvenez-vous d'avoir appris à un chien à s'asseoir ? Vous n'expliquez pas ce que signifie s'asseoir. Vous dites simplement « assis », et quand le chien s'assoit, vous lui donnez une friandise. Quand il ne s'assoit pas, pas de friandise. Le chien comprend : s'asseoir égale friandises. Ne pas s'asseoir égale pas de friandises.

C'est l'apprentissage par renforcement. Essayer des choses. Voir ce qui fonctionne. Faire plus de ce qui fonctionne.

Exemple : Apprendre à un ordinateur à jouer aux échecs

Au début, l'ordinateur ne connaît pas les règles. Il essaie simplement des coups. Au hasard. La plupart sont terribles.

Mais voilà : quand il gagne une partie, vous lui dites « bien joué ». Quand il perd, vous lui dites « ça n'a pas marché ». Il commence à remarquer :

✓ Déplacer la reine ici mène souvent à la victoire
✗ Laisser le roi exposé mène généralement à la défaite
✓ Contrôler le centre de l'échiquier est utile

Après avoir joué des millions de parties contre lui-même, il devient très, très bon. Non pas parce que quelqu'un lui a enseigné la stratégie. Mais parce qu'il a tout essayé et a appris ce qui fonctionne.

C'est ainsi que l'IA a appris à battre les champions du monde d'échecs et de Go, que les robots apprennent à marcher, et que les voitures autonomes apprennent à conduire.

Les trois styles d'apprentissage

Comment l'entraînement se déroule réellement (le processus secret)

D'accord, donc l'ordinateur s'entraîne en regardant des exemples. Mais que se passe-t-il vraiment à l'intérieur ? Laissez-moi vous guider comme si vous regardiez par-dessus son épaule.

Étape 1 : Commencer par des suppositions hasardeuses

Comme deviner le poids d'une citrouille

Imaginez que vous essayez de deviner le poids d'une citrouille juste en la regardant. Vous n'avez jamais fait ça avant, alors vous lancez un chiffre au hasard. « Euh... 7 kilos ? »

C'est exactement ce que fait l'ordinateur. Il commence par des suppositions aléatoires. Complètement au hasard. C'est comme demander à un nouveau-né d'identifier des couleurs. Les suppositions sont terribles. Ce n'est pas grave. C'est le point de départ.

Étape 2 : Vérifier à quel point vous avez tort

Mesurer l'erreur

Maintenant, vous mettez la citrouille sur une balance. Elle pèse en réalité 10 kilos. Vous vous êtes trompé de 3 kilos. C'est votre erreur.

L'ordinateur fait la même chose. Il fait une supposition, vérifie la vraie réponse, et calcule à quel point il s'est trompé. « J'ai dit que cette photo était un chien. En fait, c'est un chat. Je me suis lourdement trompé. »

Étape 3 : Ajuster votre prochaine supposition

Apprendre de ses erreurs

La citrouille suivante ressemble à la première. Vous ne devinez pas à nouveau 7 kilos. Vous avez appris que les citrouilles comme celle-ci sont plus lourdes que vous ne le pensiez. Alors vous devinez 9,5 kilos. Plus proche !

L'ordinateur fait exactement cela. Il ajuste sa méthode de supposition en fonction de ses erreurs. « Je n'arrêtais pas de deviner 'chien' quand je voyais des oreilles tombantes, mais j'avais tort. Laissez-moi prêter plus d'attention à d'autres caractéristiques aussi. »

Étape 4 : Répéter des milliers de fois

C'est en forgeant qu'on devient forgeron

Après avoir deviné le poids de 1 000 citrouilles et vérifié la balance à chaque fois, vous deviendriez assez bon. Vous remarqueriez des motifs : « Les grosses citrouilles rondes avec des tiges épaisses sont généralement lourdes. Les grandes et fines sont généralement plus légères. »

L'ordinateur fait cela des milliers ou des millions de fois. Chaque fois, il s'améliore un tout petit peu. Finalement, il est vraiment bon à la tâche qu'il pratique.

C'est tout le processus. Faire une supposition. Vérifier son erreur. Ajuster. Répéter jusqu'à être assez bon. Une idée simple. Mais faites-le des millions de fois très rapidement, et vous obtiendrez des résultats puissants.

Pourquoi ça marche si bien (et pourquoi ce n'est pas de la magie)

Ce qui est incroyable, c'est que ce processus incroyablement simple fonctionne pour une variété incroyable de tâches.

La même idée de base (s'entraîner avec des retours) peut :

✓ Apprendre à reconnaître votre visage pour déverrouiller votre téléphone
✓ Apprendre à traduire entre les langues
✓ Apprendre à repérer des tumeurs dans les scanners médicaux
✓ Apprendre à prédire s'il va pleuvoir demain
✓ Apprendre à recommander des films que vous aimerez probablement

Pourquoi cela fonctionne-t-il pour toutes ces choses différentes ?

Parce qu'au fond, ce sont tous des problèmes de reconnaissance de motifs. Votre visage a des motifs. Les langues ont des motifs. Les tumeurs ont des motifs. La météo a des motifs. Vos préférences cinématographiques ont des motifs.

L'ordinateur trouve ces motifs en s'entraînant avec des exemples. Il ne « comprend » pas les visages, les langues ou la médecine. Il trouve simplement que : quand je vois ce motif, la réponse est généralement celle-là.

C'est puissant. Mais ce n'est pas de la magie. C'est de la reconnaissance de motifs, pratiquée à une échelle que les humains ne peuvent égaler.

Ce que l'ordinateur apprend réellement (la vérité pourrait vous surprendre)

Voici quelque chose que la plupart des gens ne comprennent pas : l'ordinateur n'apprend pas la compréhension. Il apprend des raccourcis.

Laissez-moi vous montrer ce que je veux dire avec une histoire vraie.

L'IA pour le cancer de la peau qui a triché

Des scientifiques ont entraîné une IA à reconnaître le cancer de la peau à partir de photos. Elle est devenue très performante. Meilleure que certains médecins. Incroyable, non ?

Puis ils ont remarqué quelque chose d'étrange. L'IA regardait les règles. Beaucoup de photos de cancer contenaient des règles (pour montrer l'échelle). Beaucoup de photos sans cancer n'en avaient pas.

L'IA a appris : « Si je vois une règle, c'est probablement un cancer. » C'est techniquement un motif qui fonctionnait dans les données d'entraînement. Mais ce n'est pas comprendre le cancer. C'est prendre un raccourci.

Cela arrive tout le temps :

Exemples de biais et de raccourcis appris par l'IA

⚠️ Une IA de recrutement a appris que les CV avec le nom « Jared » avaient plus de chances d'être retenus (parce que les données d'entraînement contenaient des décisions humaines biaisées)
⚠️ Un système de reconnaissance faciale fonctionnait mieux sur les hommes blancs (parce qu'ils étaient surreprésentés dans les photos d'entraînement)
⚠️ Un système d'approbation de prêt discriminait certains quartiers (parce qu'il avait appris à partir de données de prêt historiquement biaisées)

L'ordinateur trouve des motifs dans les données que vous lui donnez. Si les données sont biaisées, il apprend les biais. Si les données contiennent des raccourcis, il apprend les raccourcis. Il n'est pas plus malin que ça. Il trouve simplement ce qui fonctionne dans les exemples qu'il a vus. C'est pourquoi le machine learning nécessite une attention particulière. Il est puissant, mais il n'est pas sage.

Les deux manières de s'entraîner (traditionnelle vs. différente)

Vous vous souvenez quand j'ai dit que les ordinateurs apprennent en ajustant leurs suppositions en fonction des erreurs ? Il y a deux manières principales de faire cet ajustement.

La méthode traditionnelle : de minuscules ajustements de chiffres

Comment la plupart des IA fonctionnent aujourd'hui

L'ordinateur a des millions de petits cadrans (appelés poids). Chaque cadran est réglé sur un nombre spécifique.

Quand l'ordinateur fait une erreur, il détermine quels cadrans tourner et dans quelle direction. Il les tourne juste un tout petit peu. Puis il fait une autre supposition, fait une autre erreur, tourne à nouveau les cadrans. Encore et encore. Après avoir fait cela des millions de fois, tous ces cadrans sont réglés sur des nombres qui produisent de bonnes suppositions.

Les avantages

Ça fonctionne très bien. Ça peut trouver des motifs incroyablement complexes. C'est éprouvé et fiable.

Les inconvénients

Ça consomme une quantité énorme de puissance de calcul. Entraîner ces systèmes coûte des millions de dollars en électricité. Et quand c'est terminé, vous avez des millions de réglages de cadrans, mais vous ne pouvez pas vraiment expliquer pourquoi ils sont réglés sur ces nombres spécifiques. C'est une boîte noire.

Une méthode différente : trouver des règles au lieu de chiffres

Comment fonctionnent certains systèmes plus récents

Certains systèmes (comme ceux que des entreprises comme Dweve construisent) fonctionnent différemment. Au lieu d'ajuster des millions de cadrans numériques, ils cherchent des règles logiques.

Au lieu d'apprendre « le poids 47 devrait être 0.8234 », ils apprennent « si l'e-mail contient des mots urgents ET provient d'un expéditeur inconnu ET a des liens étranges, alors c'est probablement du spam. »

C'est plus proche de la façon dont les humains apprennent

Vous n'avez pas de chiffres dans la tête. Vous avez des règles empiriques : « Si le pain sent l'acide, il est probablement mauvais. Si le ciel est sombre et lourd, il pourrait pleuvoir. »

Les avantages

On peut réellement expliquer les décisions. « L'e-mail a été marqué comme spam parce qu'il correspondait à ces trois motifs. » C'est aussi beaucoup plus efficace. Ça consomme beaucoup moins d'énergie.

Les inconvénients

Tous les problèmes ne se prêtent pas bien aux règles. Certaines choses ont vraiment besoin de ces millions de minuscules ajustements numériques.

Aucune des deux méthodes n'est toujours meilleure. Ce sont des outils. On utilise le bon pour la tâche à accomplir.

À quoi ressemble réellement le processus d'apprentissage

Où cela s'applique concrètement dans votre vie

Laissez-moi vous montrer où vous utilisez déjà le machine learning chaque jour, probablement sans vous en rendre compte.

⏰ Votre réveil matinal

Le réveil de votre téléphone a probablement une fonction qui augmente lentement le volume. C'est simple. Mais certains téléphones apprennent aussi quand vous avez tendance à vous réveiller naturellement et suggèrent de meilleures heures de réveil. Le machine learning a remarqué : « Vous repoussez toujours le réveil de 6h mais vous vous réveillez naturellement à 6h30. Laissez-moi suggérer 6h30 à la place. »

🚗 Votre trajet

Les applications de cartographie prédisent le trafic. Comment ? Elles ont appris de millions de trajets : « Le mardi matin, cette autoroute est congestionnée vers 7h45. Quand il pleut, cet itinéraire ralentit de 15 minutes. » Des motifs trouvés à partir des données.

📧 Votre messagerie

Chaque e-mail de spam qui n'atteint pas votre boîte de réception ? C'est le machine learning. Chaque e-mail trié automatiquement dans des dossiers ? C'est le machine learning. Votre application de messagerie a appris à partir de millions d'exemples à quoi ressemble un spam et ce qui est important pour vous spécifiquement.

🎬 Vos divertissements

Netflix qui suggère des séries. Spotify qui crée des playlists pour vous. YouTube qui recommande des vidéos. Tout ça, c'est du machine learning. Ils ont appris : « Les personnes qui ont regardé ces trois séries aiment généralement aussi cette quatrième. Les personnes qui écoutent cet artiste aiment généralement ces autres artistes. »

🛒 Vos achats

« Les clients qui ont acheté ceci ont également acheté... » C'est du machine learning. « Vous pourriez aussi aimer... » C'est du machine learning. Même les prix que vous voyez peuvent être ajustés par le machine learning en fonction des motifs de la demande.

🔒 Votre sécurité

Votre compagnie de carte de crédit qui bloque une transaction suspecte ? Le machine learning a repéré un motif : « Ce débit ne correspond pas au comportement d'achat normal de cette personne. C'est peut-être une fraude. »

Tout ces systèmes ont appris à partir d'exemples. Ils ont trouvé des motifs. Ils se sont améliorés avec la pratique. C'est ça le machine learning, qui touche votre vie des dizaines de fois par jour.

Les limites honnêtes (ce qu'il ne peut pas faire)

Le machine learning est puissant, mais ce n'est pas de la magie. Laissez-moi être très honnête sur ce qu'il ne peut pas faire.

Il ne peut pas apprendre sans exemples

Il faut des données. Beaucoup de données. Vous voulez apprendre à un ordinateur à reconnaître une maladie rare ? Il vous faut des milliers d'exemples de cette maladie. Vous ne les avez pas ? Impossible d'entraîner le système. C'est aussi simple que ça.

Il ne peut pas comprendre le contexte comme les humains

Un humain voit un panneau « STOP » couvert de neige et sait que c'est toujours un panneau stop. Un ordinateur pourrait ne pas le reconnaître car tous ses exemples d'entraînement montraient des panneaux stop propres et visibles. Il a appris le motif des panneaux stop parfaits, pas le concept de « s'arrêter ».

Il ne peut pas expliquer son raisonnement (généralement)

Demandez à un médecin pourquoi il pense que vous avez la grippe : « Vous avez de la fièvre, des courbatures, et c'est la saison de la grippe. » Un raisonnement clair.

Demandez à la plupart des systèmes d'IA pourquoi ils ont pris une décision : « Parce que ces 47 millions de nombres sont réglés sur ces valeurs spécifiques. » Pas très utile.

Il apprendra vos biais

Si vous l'entraînez sur des données biaisées, il apprend le biais. Si les données historiques de recrutement montrent un biais contre certains groupes, l'IA apprend aussi à être biaisée. Elle n'est pas plus maligne que ça. Elle apprend simplement ce qu'il y a dans les données.

Il ne peut pas s'adapter à des situations entièrement nouvelles

Les humains sont excellents pour ça. Vous n'avez jamais vu de girafe violette, mais si vous en voyiez une, vous la reconnaîtriez comme une girafe qui se trouve être violette.

Un ordinateur entraîné sur des girafes normales pourrait être complètement dérouté par une girafe violette. Elle n'était pas dans les données d'entraînement. Le système ne sait pas généraliser de cette manière.

Ce ne sont pas des problèmes mineurs. Ils sont fondamentaux dans le fonctionnement du machine learning. Comprendre ces limites est tout aussi important que de comprendre ses capacités.

Ce que vous devez retenir

Si tout cela vous semble beaucoup, voici ce qui compte vraiment :

1 Le machine learning, c'est de la pratique avec des retours. L'ordinateur fait des suppositions, vérifie si elles sont justes, s'ajuste et répète. Exactement comme vous apprendriez n'importe quoi par la pratique.
2 Il existe trois types principaux. Supervisé (avec les réponses), non supervisé (trouver des motifs par soi-même), et par renforcement (apprendre en essayant). Chacun fonctionne pour des problèmes différents.
3 Il trouve des motifs, pas de la compréhension. L'ordinateur ne « pige » pas. Il remarque simplement que : quand je vois ce motif, la réponse est généralement celle-là. Puissant, mais différent de la compréhension humaine.
4 Vous l'utilisez constamment. Votre messagerie, vos cartes, vos divertissements, vos achats. Le machine learning touche votre vie des dizaines de fois par jour.
5 Il a de vraies limites. Il a besoin de beaucoup de données. Il apprend les biais. Il ne peut pas s'expliquer facilement. Il ne généralise pas comme les humains. Comprendre les limites est aussi important que de comprendre ses capacités.
6 Différentes approches existent. La plupart des IA ajustent des millions de cadrans numériques. Certains systèmes apprennent plutôt des règles logiques. Des outils différents pour des tâches différentes.

En résumé

Le machine learning n'a rien de mystérieux. C'est juste un ordinateur qui devient meilleur à quelque chose par la pratique.

Montrez-lui des exemples. Laissez-le faire des suppositions. Dites-lui quand il a tort. Regardez-le s'ajuster et s'améliorer. Répétez des milliers de fois. Finalement, il devient très bon à cette tâche.

Il n'apprend pas comme vous avez appris à faire du vélo, à lire ou à vous faire des amis. Il ne développe pas de compréhension, de sagesse ou de bon sens.

Il trouve des motifs statistiques dans les données par la pratique et l'ajustement répétés. C'est tout. Mais fait à une échelle que les humains ne peuvent égaler, avec des millions d'exemples, cela produit des résultats vraiment utiles.

Votre filtre anti-spam fonctionne. Votre assistant vocal vous comprend. Vos cartes vous font contourner le trafic. Tout cela parce que des ordinateurs se sont entraînés sur des millions d'exemples jusqu'à trouver des motifs qui fonctionnent.

Le mot « apprentissage » lui donne un air magique. La réalité est mathématique. Mais ces mathématiques, pratiquées à grande échelle, changent votre vie de tous les jours.

Maintenant vous savez comment ça marche. Le mystère est levé. Le machine learning est la découverte de motifs par la pratique. Un concept simple. Une exécution puissante. Et vous l'utilisez en ce moment même, en lisant ces mots sur un appareil rempli de systèmes qui ont appris à vous faciliter la vie.

Certaines entreprises, comme Dweve, explorent différentes manières de « s'entraîner » au-delà du simple ajustement de cadrans numériques. Apprendre des règles logiques au lieu de poids numériques. Trouver des contraintes au lieu de paramètres d'entraînement. Des approches différentes pour des problèmes différents. Parce que le machine learning n'a pas à être une solution unique.