Apprentissage automatique
Machine Learning · chapitre 3
Définition
L’apprentissage automatique est une branche de l’intelligence artificielle qui permet à un système d’apprendre à partir de données plutôt que d’être programmé règle par règle. On lui fournit des exemples, et il ajuste automatiquement ses paramètres pour repérer des régularités. Il en extrait des motifs (patterns) statistiques qu’il pourra réutiliser sur de nouvelles données. C’est aujourd’hui l’approche dominante pour concevoir des systèmes d’IA performants.
Exemple
Pour entraîner un système de reconnaissance vocale, on lui fait écouter des milliers d’heures d’enregistrements avec leur transcription. Le modèle apprend à associer les sons aux mots, et ensuite il peut transcrire des phrases qu’il n’a jamais entendues, car il a repéré les régularités statistiques du langage. Ce type d’apprentissage est généralement supervisé : chaque exemple est accompagné de la « bonne réponse », ce qui guide le modèle dans ses ajustements.
Importance
La quasi-totalité des IA actuelles repose sur l’apprentissage automatique : reconnaissance faciale, filtres de spam, recommandations, assistants vocaux, etc. C’est un changement profond : on ne décrit plus explicitement la solution, on laisse le modèle la découvrir à partir des données. Toutefois, ces systèmes ne comprennent pas au sens humain, ils produisent des résultats à partir de calculs et de probabilités. Cela aide à mieux saisir à la fois leur puissance… et leurs limites.
Pour citer ce texte
Vial, S. (2026). Apprentissage automatique. Dans Petit lexique vivant de l’intelligence artificielle (p. 58). Stéphane Vial, éditeur, Montréal.
