Machine Learning (ML)

L’apprentissage automatique (ML) est la branche de l’intelligence artificielle (AI) dans laquelle les systèmes informatiques apprennent des motifs à partir des données, au lieu de suivre des règles écrites par un programmeur. Un filtre antipourriel fondé sur le ML ne reçoit jamais d’instructions sur les mots qui signalent un pourriel ; il étudie des milliers de courriels étiquetés comme pourriels ou non, apprend lui-même les motifs, puis les applique à de nouveaux messages. Arthur Samuel a forgé le terme en 1959 lors de la création d’un programme de jeu de dames qui s’améliorait en jouant contre lui-même ; Tom Mitchell a ensuite proposé une définition largement citée : un programme apprend lorsque ses performances pour une tâche, mesurées par une métrique, s’améliorent avec l’expérience.

Fonctionnement de l’apprentissage automatique#

Un modèle de ML est une fonction dotée de paramètres ajustables, depuis les quelques coefficients d’une régression linéaire jusqu’aux millions de poids d’un réseau neuronal. L’entraînement recherche les valeurs de paramètres qui rendent les prédictions du modèle aussi exactes que possible sur les données d’entraînement, généralement en minimisant une fonction de perte. Le véritable test est la généralisation : le modèle est ensuite évalué sur des données de validation et des données de test mises de côté, qu’il n’a jamais vues pendant l’entraînement. Un modèle qui obtient de bons résultats sur les données d’entraînement, mais de mauvais résultats sur de nouvelles données, est en surapprentissage : il mémorise les exemples au lieu d’apprendre le motif sous-jacent.

Cet exemple scikit-learn entraîne une forêt aléatoire à reconnaître des chiffres manuscrits et l’évalue sur des chiffres mis de côté pendant l’entraînement :

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

Le modèle atteint une exactitude de 97.6 % sur les 450 chiffres de test, en s’appuyant uniquement sur les motifs appris à partir des 1 347 autres exemples étiquetés.

Types d’apprentissage automatique#

• Apprentissage supervisé : apprend à partir d’exemples étiquetés, chaque entrée étant associée à la sortie correcte. La classification, la régression et la détection d’objets sont des tâches supervisées.
• Apprentissage non supervisé : trouve des structures dans des données non étiquetées, par exemple des segments de clientèle obtenus par le clustering k-means.
• Apprentissage auto-supervisé : crée ses propres étiquettes à partir des données, par exemple en prédisant le mot suivant d’une phrase ou une zone masquée d’une image. C’est ainsi que les grands modèles de langage (LLM) et d’autres modèles de fondation sont préentraînés.
• Apprentissage par renforcement : un agent apprend par essais et erreurs, en agissant dans un environnement et en ajustant son comportement pour maximiser une récompense.

Apprentissage automatique, IA, apprentissage profond et science des données#

L’apprentissage automatique se situe entre l’IA, vaste objectif qui consiste à construire des machines intelligentes, et l’apprentissage profond (DL), sous-ensemble du ML qui utilise des réseaux neuronaux à nombreuses couches et apprend ses propres caractéristiques à partir de données brutes :

Les algorithmes classiques comme les forêts aléatoires et XGBoost restent efficaces sur les données tabulaires, où chaque colonne, comme le prix ou l’âge, constitue déjà une caractéristique pertinente. La science des données est une discipline voisine qui utilise le ML parmi de nombreux outils, aux côtés des statistiques, de la visualisation des données et de l’analyse du domaine, pour répondre à des questions à partir de données.

Cycle de vie de l’apprentissage automatique#

Un modèle en production n’est jamais terminé. Les équipes collectent et étiquettent les données, entraînent et valident un modèle, le déploient et surveillent ses prédictions, puis reviennent aux données lorsque la précision est insuffisante ou que le monde réel évolue. Cette boucle est au cœur des opérations d’apprentissage automatique (MLOps) :

Pour la vision par ordinateur, Ultralytics Platform exécute toute cette boucle au même endroit : les équipes téléversent et annotent des jeux de données, entraînent des modèles Ultralytics YOLO26 sur des GPU cloud, les déploient et surveillent leurs performances en production.

Applications concrètes#

• Vision par ordinateur : les modèles détectent les défauts sur les chaînes de production, lisent des images médicales et guident les véhicules autonomes.
• Traitement automatique du langage naturel (NLP) : la traduction, la recherche, les agents conversationnels et le filtrage des pourriels reposent tous sur des modèles entraînés sur du texte.
• Systèmes de recommandation : les plateformes de diffusion en continu et de commerce électronique classent les contenus pour chaque utilisateur en fonction de son comportement passé.
• Prévision de séries temporelles : les modèles prévoient la demande de produits, la charge énergétique et les pannes d’équipement à partir des données historiques.
• Détection d’anomalies : les banques évaluent en quelques millisecondes chaque transaction par carte à l’aide de modèles entraînés sur des fraudes passées et signalent les transactions qui semblent inhabituelles.