Apprentissage automatique

Écrire la règle ou la faire émerger

Pour reconnaître une facture conforme, on peut lister les conditions : montant, date, mentions obligatoires, cohérence du numéro. Cette règle se relit et se corrige. On peut aussi montrer quelques milliers de factures annotées et laisser une procédure statistique trouver les régularités. Le second chemin est l'apprentissage automatique. Il ne supprime pas la règle : il la remplace par un ajustement progressif sur des exemples, dont on espère qu'il généralise.

Il devient préférable quand la règle existe mais résiste à l'écriture : reconnaître une pièce sur une photo, trier un message, estimer une consommation. Il devient risqué quand les exemples sont rares, déséquilibrés ou mal annotés. La qualité du résultat dépend alors plus du jeu de données que de la méthode choisie, ce qui déplace l'effort du code vers la préparation, le nettoyage et la vérification des étiquettes. Dans les deux cas, l'entreprise doit pouvoir expliquer d'où vient le critère appliqué, et qui l'a validé.

Les grandes familles d'usage

On distingue communément l'apprentissage supervisé, où chaque exemple porte la réponse attendue ; non supervisé, où l'on cherche des regroupements sans étiquette ; et par renforcement, où un programme apprend par essais et rétroaction. Les modèles de langage relèvent d'une quatrième logique, l'apprentissage auto-supervisé sur de grands corpus, suivi d'ajustements ciblés sur des exemples de bonne réponse. La quatrième est celle qui a rendu possibles les outils grand public, sans que les trois autres disparaissent pour autant.

Chaque famille répond à des questions différentes. Prédire un montant, segmenter une clientèle, optimiser une tournée ne se traitent pas avec les mêmes données ni les mêmes indicateurs. Confondre les familles conduit à promettre une précision que les données disponibles ne permettent pas d'atteindre, puis à constater l'écart au moment de la mise en service, quand la correction coûte le plus cher et que la confiance est déjà entamée. Un modèle de prévision ne se juge pas comme un système de tri : les indicateurs diffèrent autant que les méthodes.

Ce que cela demande à une organisation

Un projet d'apprentissage automatique consomme trois ressources souvent sous-estimées : des données en quantité suffisante et correctement étiquetées, du temps de vérification humaine, et un moyen de suivre la performance dans le temps. Un modèle entraîné une fois et jamais réévalué se dégrade dès que l'activité change, ce qui arrive vite dans une entreprise dont l'offre ou la clientèle évolue. Un projet qui commence par le choix de la méthode, avant l'inventaire des données, se heurte presque toujours au même obstacle.

Il faut aussi accepter l'erreur. Un système appris se trompe, et son taux d'erreur se mesure. La question utile n'est pas de savoir s'il est fiable, mais quel coût représente une erreur et quel volume de vérification humaine reste nécessaire. C'est cet arbitrage, plus que la performance brute annoncée, qui décide de la viabilité du dispositif et de son intérêt réel pour l'équipe qui l'utilise au quotidien. Sans ce suivi, la dégradation se découvre par un client mécontent, jamais par un tableau de bord.