Comment l’apprentissage automatique trouve des modèles — Informatique, 14–17 ans
Dans l’apprentissage automatique, un système ajuste des nombres internes à partir d’exemples au lieu de recevoir directement toutes les règles. Il peut repérer des modèles, mais ses réponses dépendent des données et ne signifient pas une compréhension humaine.
Apprendre, c’est s’ajuster grâce aux exemples
Un modèle d’apprentissage automatique est un ensemble de nombres réglables qui transforme une entrée en sortie. Pendant l’entraînement, il observe des exemples et modifie ces nombres pour rapprocher ses réponses des réponses connues. Ensuite, applique ce modèle à de nouvelles données ; il ne contient pas une petite personne qui comprendrait le sujet.
Pourquoi apprendre à partir de données ?
Certaines tâches se décrivent facilement avec des mots, mais d’autres comportent trop de cas complexes pour écrire toutes les règles. Reconnaître un visage ou décider si un message ressemble à du spam peut dépendre de combinaisons subtiles. L’apprentissage automatique cherche des régularités utiles dans des exemples lorsque les règles écrites sont difficiles à formuler.
Classer des messages grâce à des exemples
Imaginons un modèle qui reçoit 1 000 messages étiquetés spam ou non spam. Il remarque que des mots comme « prix » et « urgent » apparaissent souvent dans les spams, mais il apprend aussi leurs combinaisons et le reste du message. Pour un nouveau message, il calcule un score de spam de 0,92 et le classe comme spam. Ce score est une prédiction, pas une certitude.
Un modèle n’est pas une cause
Il est compréhensible de prendre une forte corrélation pour une explication. Si les données d’entraînement montrent que les parapluies apparaissent souvent avec des rues mouillées, un modèle peut utiliser les parapluies pour prévoir la pluie, mais ils ne la causent pas. Il peut aussi suivre un indice trompeur si les exemples sont incomplets ou biaisés. Prévoir et comprendre sont deux choses différentes.
Des prédictions utiles, des décisions prudentes
L’apprentissage automatique aide à filtrer les spams, recommander des chansons, traduire des textes et repérer une activité inhabituelle dans des images médicales ou des usines. Dans chaque cas, ses résultats dépendent des exemples et de l’erreur la plus importante à éviter. Une recommandation peut être seulement gênante, mais une alerte médicale exige une vérification humaine et des données choisies avec soin.
Continue d'explorer
Autres langues
Chargement de MyLeoNes™…