Le Machine Learning, c’est quoi ? L’IA expliquée simplement avec des exemples
Les gens qui parlent de l’IA utilisent souvent le concept de machine learning (ou apprentissage automatique) qui est apparemment une étape cruciale dans la « fabrication » d’une IA.
C’est donc ma question du jour.
J’ai demandé à mes fidèles Chat Gpt, Gemini, Grok et Claude et aujourd’hui, c’est Gemini qui remporte la palme de la meilleure réponse.
à noter
Tout ce qui apparaît sur fond rose dans cet article provient directement d’une IA, sans aucune modification de ma part. Je dialogue avec l’intelligence artificielle et partage ses réponses brutes pour vous montrer ce qu’elle peut réellement produire. Mes commentaires et réflexions humains apparaissent sur fond blanc standard. Bonne lecture !
Ma question du jour
IA : explique-moi ce qu’est le machine learning
La réponse de Gemini 2.5 Pro
Salut !
Excellente question pour démarrer. Le « machine learning » (ou apprentissage automatique) peut sembler super technique, mais l’idée de base est en fait très intuitive. C’est une branche de l’intelligence artificielle où l’on n’apprend pas à la machine à suivre des instructions à la lettre, mais plutôt à apprendre par elle-même, un peu comme un humain.
Imagine que tu veuilles apprendre à un ordinateur à reconnaître les e-mails de type spam. Avec la programmation classique, tu devrais lui donner une liste de règles infinie : « si l’e-mail contient le mot ‘viagra' », « s’il vient de cette adresse », « s’il y a trop de points d’exclamation », etc. C’est vite ingérable !
Avec le machine learning, l’approche est différente. Au lieu de lui donner des règles, tu vas lui donner des données. Tu lui montres des milliers d’exemples d’e-mails en lui disant : « celui-là, c’est du spam », « celui-ci, non ».
La machine va analyser tout ça et commencer à repérer toute seule des « patterns », des points communs subtils qui caractérisent un spam.
À force de voir des exemples, elle construit son propre modèle de décision. Finalement, quand tu lui présenteras un nouvel e-mail, elle pourra prédire avec une bonne probabilité si c’est un spam ou non, même si elle n’a jamais vu cet e-mail précis auparavant.
C’est exactement ce que fait Netflix quand il te recommande une série : il ne suit pas une règle, il a appris de ce que des millions de gens avec des goûts similaires aux tiens ont regardé.
C’est aussi grâce au machine learning que ton application photo reconnaît les visages de tes amis ou que ton GPS estime ton heure d’arrivée en analysant le trafic en temps réel.
En bref, le machine learning, c’est donner la capacité aux machines d’apprendre à partir d’exemples pour faire des prédictions ou prendre des décisions.
En bref, le machine learning, c’est donner la capacité aux machines d’apprendre à partir d’exemples pour faire des prédictions ou prendre des décisions.
Du coup, j’ai l’impression que le truc le plus important pour créer une IA « performante » et non orientée, c’est de lui laisser la possibilité de « tout » apprendre pour donner des réponses non orientées. D’où ma question 2.
Ma Question 2
Donc ça suppose d’avoir une quantité gigantesque « d’exemples » pour ne pas orienter les décisions de l’IA ?
Exactement, tu mets le doigt sur un point crucial !
Pour beaucoup de tâches, la quantité de données est effectivement la clé. Plus un modèle voit d’exemples variés, plus il devient robuste et précis. Pour apprendre à reconnaître des chats, lui montrer des millions d’images l’aide à comprendre toutes les races, couleurs et positions possibles.
Mais, comme tu le soulignes très justement, la quantité ne suffit pas. La qualité et la diversité des données sont encore plus importantes pour éviter d’orienter, ou de « biaiser », l’IA.
Si tu entraînes une IA à la reconnaissance faciale uniquement avec des photos de personnes blanches, elle sera bien moins performante pour reconnaître des personnes de couleur.
C’est un énorme enjeu. Un algorithme entraîné sur des données historiques biaisées (par exemple, des décisions de recrutement passées qui favorisaient les hommes) reproduira et amplifiera ces biais.
L’IA est un miroir de ses données, pour le meilleur… et pour le pire
Mon point de vue d’humaine
L’IA est un miroir de ses données, c’est intéressant car c’est la première chose que Gemini m’avait dite dans notre première conversation. » Je suis un marteau et un miroir ».
Donc, effectivement, l’objectivité et la neutralité des IA dépendent en énorme partie de la diversité et de la richesse de sa période « machine learning ».
On voit que cette phase d’apprentissage automatique doit être super bien contrôlé pour éviter par exemple les dérives dont je parle dans ma conversation « l’IA est-elle Woke »