Algorithme

Une recette, pas une intelligence

Un algorithme décrit ce qu'il faut faire, pas comment la machine s'y prend. Trier des factures par date, calculer un itinéraire, décider si un dossier est complet : chaque cas se ramène à une suite d'étapes dénombrables. Deux implémentations différentes du même algorithme doivent produire le même résultat sur les mêmes entrées, sinon l'une des deux contient une erreur de conception ou d'écriture. Cette exigence de reproductibilité est ce qui distingue un algorithme d'un bricolage.

Cette propriété explique pourquoi un algorithme se vérifie. On peut le tester sur des cas limites, comparer sa sortie à une référence tenue à la main, mesurer son temps d'exécution. C'est aussi ce qui le rend auditable : un contrôleur peut lire la logique et la discuter point par point, sans avoir besoin d'accéder à la machine. Un modèle de langage ne s'audite pas de cette manière, ce qui justifie de ne pas confondre les deux objets dans un contrat ou une note de service.

Ce que change l'apprentissage

Dans l'apprentissage automatique, l'algorithme ne contient plus la règle : il contient la procédure qui fait émerger cette règle à partir d'exemples. La distinction est pratique. Une règle écrite se relit ; une règle apprise se mesure, sur un jeu de données distinct de celui de l'entraînement. Quand un prestataire annonce une performance, la question utile n'est pas quel algorithme, mais sur quelles données et sur quel échantillon la mesure a été prise.

Les deux approches coexistent dans un même produit. Un logiciel de gestion peut calculer une échéance par une règle explicite et estimer un risque d'impayé par un modèle statistique. Savoir laquelle des deux produit le chiffre affiché détermine ce qu'on peut contester, corriger, ou expliquer à un client mécontent. Cette connaissance évite aussi de traiter comme une opinion ce qui relève d'un calcul vérifiable, et inversement de présenter un calcul comme une vérité.

Complexité et coût d'exploitation

Un algorithme se juge aussi à sa consommation. Certaines méthodes croissent de façon linéaire avec le volume de données, d'autres de façon quadratique : doubler le nombre de lignes peut doubler le temps, ou le quadrupler. Sur un catalogue de quelques milliers de références, la différence reste invisible. Sur un historique de plusieurs années, elle décide si le traitement tient dans une nuit ou déborde sur la journée de travail suivante, avec les relances que cela suppose.

Le choix d'un algorithme est donc un arbitrage entre précision, temps de calcul et compréhension. Une méthode simple, bien documentée, qui approche le résultat d'une méthode sophistiquée, reste souvent préférable en production : elle se maintient, se remplace et s'explique. La sophistication ne se justifie que par un gain mesuré sur les données de l'entreprise, jamais par la réputation de la méthode ou par curiosité technique. Un traitement que personne dans l'équipe ne sait relire finit par être contourné ou abandonné.