Machine learning (apprentissage automatique)

Comment ça marche

Programmer, c’est écrire des règles : si la facture dépasse ce montant, alors demander une validation. Ça marche tant que les règles sont connues et peu nombreuses. Pour reconnaître une facture dans une image, classer un e-mail ou prédire une vente, les règles sont innombrables et personne ne sait les écrire. Le machine learning inverse l’approche : on donne au programme des milliers d’exemples avec la bonne réponse, et il ajuste ses paramètres internes jusqu’à reproduire ces réponses, puis à généraliser à des cas nouveaux.

Trois familles existent. L’apprentissage supervisé, avec des exemples étiquetés : c’est le plus courant en entreprise. L’apprentissage non supervisé, qui cherche des structures dans des données sans étiquettes : regrouper des clients similaires, détecter des anomalies. Et l’apprentissage par renforcement, où le programme apprend par essais et récompenses : c’est aussi ainsi qu’on apprend aux modèles de langage à bien se comporter. Le deep learning, à base de réseaux de neurones profonds, est la technique qui a rendu tout cela puissant.

Un exemple concret

1. Les données : cinq ans de factures, avec pour chacune le client, le montant, le délai contractuel, le type de chantier, et le retard de paiement constaté.
2. L’apprentissage : un modèle de classification apprend, sur 80 % des factures, à prédire si une facture sera payée en retard de plus de 30 jours.
3. Le test : sur les 20 % restants, jamais vus, le modèle repère 78 % des retards réels, avec 15 % de fausses alertes. Mieux que la règle maison (« les clients publics paient tard »), qui en repérait 50 %.
4. L’usage : les factures signalées à risque reçoivent un suivi plus tôt. Les fausses alertes coûtent un appel inutile ; les retards évités, des semaines de trésorerie.
5. La limite : un nouveau type de client, absent des données passées, est mal prédit. Le modèle est réentraîné chaque année.

Pas de modèle de langage ici, pas de conversation : du machine learning classique, sur les propres données de l’entreprise. C’est souvent là que le retour sur investissement est le plus net.

Ce que ça change pour une équipe

• Les données de l’entreprise prennent de la valeur. L’historique des ventes, des incidents, des paiements devient la matière première de prédictions utiles.
• Les résultats sont des probabilités. Un modèle dit « probablement », à un taux mesuré. Le travail s’organise autour de ce taux, avec un humain là où l’erreur coûte.
• La qualité des données décide de tout. Des historiques incomplets, biaisés ou mal saisis donnent des modèles qui reproduisent ces défauts.
• Ce n’est pas réservé aux grands groupes. Les outils d’apprentissage sont accessibles, et un prestataire ou un agent de code peut construire un modèle simple en quelques jours.

Les limites et les erreurs fréquentes

• Apprendre sur des données biaisées. Un modèle de recrutement entraîné sur dix ans d’embauches reproduit dix ans de biais. Les données se regardent avant l’entraînement.
• Tester sur les données d’entraînement. Un modèle qui a vu les réponses les connaît par cœur. On garde toujours des données de côté pour le test.
• Croire que le modèle comprend les causes. Il repère des corrélations. Qu’elles tiennent demain n’est pas garanti, surtout si le monde change.
• Oublier de réentraîner. Les clients, les produits, les comportements évoluent. Un modèle figé se dégrade en silence.