Le machine learning, ou apprentissage automatique, désigne des méthodes permettant à un système de construire un modèle à partir de données. Plutôt que de décrire manuellement chaque cas possible, on ajuste des paramètres pour accomplir une tâche : reconnaître un objet, estimer une valeur ou regrouper des exemples présentant des caractéristiques communes.
En apprentissage supervisé, les exemples comportent une réponse attendue qui guide l’ajustement du modèle. D’autres méthodes recherchent des structures dans des données non étiquetées. L’apprentissage par renforcement explore les conséquences d’actions à travers un mécanisme de récompense. Ces approches peuvent se combiner et ne correspondent pas toutes à une conversation avec un assistant génératif.
Entraîner, puis évaluer
L’entraînement et l’utilisation sont deux étapes distinctes. Un modèle déployé ne réapprend pas automatiquement à chaque demande : cela dépend de la conception du service. Pour mesurer sa capacité à généraliser, on le confronte à des exemples qui n’ont pas servi à son entraînement. La qualité des données, leur représentativité et les critères d’évaluation influencent donc la portée d’un résultat annoncé.
Le domaine traverse l’intelligence artificielle, la robotique et de nombreuses applications d’analyse. Un système peut bien fonctionner sur des images préparées en laboratoire et rencontrer davantage de difficultés avec une caméra déplacée ou un éclairage différent. Les données, le contexte d’utilisation et le suivi des erreurs comptent autant que l’algorithme choisi. Une corrélation détectée ne démontre pas nécessairement une cause, et un score élevé ne suffit pas à décider si le modèle convient à un usage sensible.
![image produit The Lego Movie : Videogame [import anglais]](https://kulturegeek.fr/comparateur/img_products/76495/the-lego-movie-videogame-import-anglais-3067_thumb.jpg)
