Apprentissage non supervisé

Apprendre sans réponse

Dans l'apprentissage supervisé, chaque exemple porte la réponse : ce message est indésirable, cette pièce est défectueuse. Dans le non supervisé, rien n'indique ce qu'il faut trouver. La méthode compare les enregistrements entre eux et fait ressortir des proximités, des groupes, des écarts. L'utilisateur interprète ensuite ce que ces groupes signifient, ce qui déplace une bonne partie du travail du calcul vers la lecture métier. Le résultat se discute donc autant qu'il se calcule, ce qui déroute les équipes habituées à un chiffre unique.

Ce décalage change la nature du résultat. Il ne s'agit pas d'une prédiction mais d'une organisation : des segments de clientèle, des familles de pannes, des profils de consommation. Sa valeur dépend entièrement de l'interprétation qu'on en fait, ce qui exige de connaître le métier autant que les données. Un découpage juste mais incompréhensible ne sert à rien dans une réunion de direction. C'est pourquoi ces méthodes servent rarement à trancher seules : elles éclairent une décision, elles ne la prennent pas.

Les usages courants

Trois pratiques reviennent. Le regroupement, qui forme des familles d'individus ou de produits sans les nommer à l'avance. La réduction de dimension, qui résume un grand nombre de variables en quelques axes lisibles, utile quand les tableaux comportent trop de colonnes pour être examinés. La détection d'anomalies, qui repère ce qui s'écarte nettement du comportement habituel observé sur une période de référence. Ces trois pratiques se combinent souvent : on réduit d'abord les dimensions, puis on regroupe, puis on surveille les écarts.

Cette dernière application est souvent la plus directement utile à une PME : une facture d'énergie inhabituelle, une commande hors norme, une consommation d'eau qui dévie. Le système ne dit pas pourquoi l'écart existe, seulement qu'il existe et de combien. Le diagnostic reste humain, mais la surveillance devient continue, y compris sur des équipements que personne ne regarde en temps normal. Un seuil trop sensible produit des alertes en série ; trop haut, il laisse passer ce qu'on cherchait précisément à voir.

Les pièges

Le premier est de croire que les groupes existent déjà dans les données. La plupart des méthodes en fabriquent, même sur du bruit : demandez trois catégories et vous en obtiendrez trois, sans garantie qu'elles correspondent à quoi que ce soit de réel. Il faut tester la stabilité des groupes en changeant légèrement les paramètres, et ne retenir que ce qui persiste d'un essai à l'autre. Un découpage qui change à chaque exécution ne décrit pas la clientèle, il décrit les paramètres choisis.

Le second est l'interprétation hâtive. Un segment peut refléter un artefact de collecte plutôt qu'un comportement réel : une catégorie mal renseignée, une période incomplète, un changement de logiciel en cours d'année. Avant d'en tirer une décision commerciale, il faut vérifier que le groupe survit à un changement de source, et demander à une personne du terrain si le découpage lui parle. C'est le seul moyen d'éviter une présentation convaincante qui se révèle fausse six mois plus tard, quand le segment ne se retrouve plus dans les ventes.