Apprentissage supervisé

Le principe de l'exemple étiqueté

On présente au modèle une série de cas et, pour chacun, la réponse voulue : ce courriel est une réclamation, cette pièce est défectueuse, ce devis relève du bâtiment. Le modèle ajuste ses paramètres jusqu'à ce que ses réponses coïncident avec celles du fichier. Ce qui est appris n'est pas une règle écrite mais une frontière statistique entre des catégories. Si les exemples sont nombreux, variés et correctement annotés, cette frontière se généralise à des cas nouveaux. Sinon, elle reproduit les défauts du fichier.

Le schéma classique sépare les données en trois parts : entraînement, validation, test. La première sert à ajuster les paramètres, la deuxième à choisir les réglages, la troisième à mesurer honnêtement. Sans cette séparation, on mesure la capacité du modèle à réciter ce qu'il a vu, pas à traiter ce qu'il découvrira. La discipline est simple à énoncer et souvent négligée dans les projets pressés, où l'on entraîne et évalue sur le même fichier avant de s'étonner des résultats en production.

Le coût caché de l'étiquetage

La qualité d'un modèle supervisé dépend d'abord du travail humain qui précède. Il faut définir les catégories, former les personnes qui annotent, arbitrer les cas ambigus et mesurer leur accord. Sur des documents métier, cet arbitrage est la partie difficile : deux experts ne classent pas toujours un sinistre ou une facture de la même façon. Un guide d'annotation clair vaut mieux qu'un modèle sophistiqué entraîné sur des étiquettes contradictoires, car il fixe ce que l'organisation considère comme une bonne réponse.

Ce travail a un coût et un délai qu'il faut inscrire au budget. Il peut être réduit en annotant par ordre de difficulté, en commençant par les cas tranchés et en réservant les cas limites à une revue humaine. Une autre voie consiste à utiliser un modèle déjà entraîné sur une tâche voisine, puis à n'étiqueter que quelques centaines d'exemples pour l'adapter. On parle alors d'apprentissage par transfert, qui réduit l'effort sans supprimer la nécessité d'exemples fiables.

Quand la méthode convient

L'apprentissage supervisé convient quand la réponse attendue est stable et vérifiable : classer, extraire un champ, détecter une anomalie sur des mesures, prévoir un volume à partir d'historiques. Il convient mal aux tâches dont le critère change à chaque demande, ou lorsque personne ne sait dire ce qu'est une bonne réponse. Avant de coder, la question à poser est simple : existe-t-il un stock d'exemples représentatifs, et des personnes capables de trancher les cas douteux ?

Dans une entreprise antillaise, le gisement le plus accessible est souvent un historique de dossiers déjà traités : courriels, bons de commande, comptes rendus. Ces archives contiennent les étiquettes que le travail quotidien a produites sans le savoir. Les exploiter demande d'abord un inventaire et un nettoyage, pas un choix de modèle. C'est le point où beaucoup de projets s'arrêtent, faute d'avoir mesuré la qualité réelle des données disponibles avant de promettre un résultat.