Comprendre le machine learning simplement : ce qui se passe vraiment sous le capot
Un client m'a posé la question la plus honnête du monde la semaine dernière : « Si je te donne dix mille factures, ton truc il fait quoi, exactement ? » J'ai bafouillé pendant deux minutes. Pas parce que je ne savais pas. Parce que j'avais oublié ce que ça fait de ne pas savoir.
Le machine learning, c'est une machine qui devine une règle à partir d'exemples, au lieu qu'on la lui écrive à la main. Voilà la définition en une phrase. Le reste de cet article sert à vous faire sentir pourquoi cette petite inversion change tout.
Points clés à retenir
- Le ML n'est pas « de l'IA qui réfléchit » : c'est de la statistique qui ajuste des paramètres jusqu'à ce que les erreurs diminuent.
- La différence réelle avec une règle classique tient au nombre de cas. En dessous d'une certaine complexité, écrire des règles à la main gagne.
- Un modèle apprend sur des données passées. Si le futur ressemble au passé, il performe. Sinon, il se plante avec aplomb.
- Les trois familles utiles à connaître : supervisé, non supervisé, par renforcement.
- Le vrai danger n'est pas la complexité du modèle, c'est la qualité et la représentativité de ce qu'on lui donne à manger.
Qu'est-ce que le machine learning, sans la couche de vernis ?
Prenons un cas que vous avez déjà rencontré ce matin : votre boîte mail a trié un message dans les spams. Personne n'a écrit « si l'objet contient le mot 'gagnant' alors spam ». Enfin, si, au tout début des années 2000, quelqu'un l'a fait. Et ça a marché trois semaines avant que les spammeurs écrivent « gagn4nt ».
La version machine learning est différente. On montre au système des dizaines de milliers de messages déjà étiquetés « spam » ou « pas spam ». Il compte des mots, des fréquences, des liens, des heures d'envoi. Puis il ajuste des nombres internes jusqu'à ce que ses prédictions collent le mieux possible aux étiquettes. Ces nombres, ce sont les paramètres. Et l'ensemble du bazar s'appelle un modèle.
Le vocabulaire minimal, traduit en langage humain
Vous allez croiser quatre mots partout. Autant les désamorcer tout de suite.
- Entraînement : la phase où le modèle voit des exemples et corrige ses paramètres. C'est long, coûteux, et souvent ennuyeux.
- Inférence : le moment utile. Le modèle déjà entraîné répond à une nouvelle donnée. Rapide, pas cher.
- Features. Ce sont les informations qu'on donne en entrée. L'âge du client, le montant de la facture, le nombre de visites. Choisir les bonnes features, c'est 70 % du travail réel.
- Sur-apprentissage (overfitting) : le modèle apprend par cœur au lieu de comprendre. Il excelle sur ses exemples, il s'effondre sur du neuf.
Cette dernière ligne mérite qu'on s'y arrête. J'ai perdu des semaines là-dessus au début. Un modèle affichait une précision magnifique sur mes données de test, et dès que je l'ai branché en production, il s'est trompé sur presque un dossier sur trois. J'avais laissé fuiter des colonnes qui contenaient la réponse dans les features. Le modèle trichait. Franchement, il trichait bien.
Comment ça apprend, concrètement ?
Imaginez un jeu de fléchettes avec un mur entièrement blanc. Vous lancez. Rien ne vous dit si vous êtes près du centre. Vous ajustez au hasard, indéfiniment. C'est un modèle sans retour d'information.
Maintenant, quelqu'un vous crie « trop à gauche » après chaque lancer. Vous corrigez. Au bout de deux cents lancers, vous êtes raisonnablement précis. Le cri, c'est la fonction de perte : elle mesure l'écart entre la prédiction et la vérité. L'algorithme ne fait qu'une chose, en boucle : réduire cet écart.
Un exemple chiffré, étape par étape
Disons que je veux estimer le prix de vente d'appartements. J'ai trois ans d'historique, un peu plus de 4 000 transactions avec surface, étage, quartier, année de construction, présence d'un balcon.
- Je coupe mes données : 80 % pour entraîner, 20 % que je mets de côté et que le modèle ne verra jamais pendant l'entraînement.
- Le modèle démarre avec des paramètres au hasard. Il prédit n'importe quoi. Erreur moyenne : énorme.
- Il ajuste, encore et encore. Après quelques milliers d'itérations, l'erreur moyenne sur l'échantillon d'entraînement descend.
- Je teste sur les 20 % gardés au secret. Premier essai : erreur moyenne de 34 000 euros. Trop élevé pour être utile.
- J'ajoute une feature : le revenu médian du quartier. L'erreur tombe à 19 000 euros.
À aucun moment je n'ai écrit « un appartement de 60 m² au troisième étage vaut X ». La relation entre les caractéristiques et le prix, c'est le modèle qui l'a construite. Moi, j'ai seulement décidé ce qu'il avait le droit de regarder.
Les trois grandes familles de machine learning
Toute la littérature sérieuse les distingue, et vous allez buter sur ces termes dès que vous ouvrirez un cours. La bonne nouvelle : la distinction tient en une question. Est-ce que j'ai les réponses dans mes données ?
| Famille | Données d'entrée | Question à laquelle elle répond | Exemple concret |
|---|---|---|---|
| Supervisé | Exemples étiquetés | Quelle catégorie, ou quelle valeur ? | Détecter une transaction frauduleuse |
| Non supervisé | Aucune étiquette | Quels groupes se ressemblent ? | Segmenter une base clients |
| Par renforcement | Un environnement, des récompenses | Quelle suite d'actions rapporte le plus ? | Un bras robotisé qui apprend à saisir |
Et le deep learning, il est où ?
C'est un cas particulier du supervisé, la plupart du temps. Les réseaux de neurones profonds empilent des couches de calcul, ce qui leur permet de traiter des données brutes et peu structurées : pixels, sons, texte. Là où un modèle classique a besoin qu'on lui décrive la forme d'un objet, un réseau profond la découvre lui-même.
Le prix à payer est réel. Il faut beaucoup plus de données, beaucoup plus de calcul, et le résultat est souvent impossible à expliquer ligne par ligne. Sur un dossier de crédit refusé, savoir dire « voici pourquoi » n'est pas un luxe.
Quand le machine learning ne sert à rien (et c'est souvent)
Voilà la partie que personne n'écrit, et c'est celle qui m'a fait gagner le plus de temps.
Si votre problème tient en cinq règles claires, écrivez les cinq règles. Une condition « si le panier dépasse 80 euros et que le client est en France alors frais de port offerts » n'a pas besoin d'un modèle. Elle a besoin d'être lisible par la personne qui la maintiendra dans huit mois.
Le ML devient rentable quand trois conditions se croisent :
- Les règles sont trop nombreuses pour être listées à la main (des centaines de cas, pas dix).
- Les cas changent avec le temps, et une règle figée se périme.
- Vous disposez d'historique réel, de préférence plusieurs milliers de lignes correctement étiquetées.
J'ai vu une équipe passer quatre mois sur un modèle de scoring pour remplacer une grille de notation manuelle qui donnait des résultats comparables. Quatre mois. Le modèle était meilleur de deux points. Personne n'a réussi à justifier cet écart en réunion.
Les pièges qui font mal
Le premier, c'est le biais des données. Si votre historique de recrutement est déséquilibré, le modèle apprendra ce déséquilibre et le reproduira avec une confiance tranquille. Il ne crée pas d'injustice, il amplifie celle qui existait déjà.
Le deuxième, c'est la dérive. Un modèle entraîné sur des comportements d'achat d'une période donnée vieillit. Les habitudes bougent, le modèle, non. Il faut surveiller ses performances dans le temps, ce que beaucoup d'équipes oublient dès que la mise en production est passée.
Le troisième, plus sournois : croire que la métrique technique est la métrique métier. Une précision de 95 % peut être catastrophique si les 5 % d'erreurs tombent sur les cas les plus importants. J'ai vu un système de détection d'anomalies afficher d'excellents chiffres tout en laissant passer précisément les incidents graves, parce que ceux-ci étaient rares dans les données d'entraînement.
Par où commencer, honnêtement
Ne commencez pas par un cours de dix heures. Commencez par un tableur.
Prenez un jeu de données qui vous concerne. Vos ventes, vos tickets support, vos relevés. Posez-vous une seule question dont vous connaissez déjà la réponse pour une partie des lignes. Essayez de la prédire à la main, avec deux ou trois colonnes. Puis demandez-vous ce qu'un modèle ferait de mieux.
Ce détour manuel vous apprendra plus que n'importe quelle vidéo, parce qu'il vous montrera où se trouve la vraie difficulté : pas dans l'algorithme, dans les données et dans la question posée. Un modèle n'est jamais qu'une réponse à une question. Si la question est floue, la réponse le sera aussi, mais avec une assurance déconcertante.
Et la prochaine fois qu'un client me demandera ce que « mon truc » fait avec dix mille factures, je saurai quoi répondre : il cherche une régularité que personne n'avait pris la peine d'écrire. Le reste, c'est des maths.
