L’apprentissage automatique remplace les instructions écrites à la main par une boucle : faire une prédiction, mesurer l’erreur, ajuster, recommencer. Comprendre cette boucle explique l’essentiel de ce que l’IA peut ou non faire.
Apprendre à partir d’exemples
Supposons que l’on veuille estimer le prix de maisons. On fournit de nombreuses maisons dont le prix est connu. Le modèle commence avec de mauvaises estimations, les compare aux prix réels et ajuste ses nombres internes pour réduire l’erreur. Après de nombreux tours, il capture des régularités comme « plus de surface signifie généralement un prix plus élevé ».
Entraînement et test sont deux choses différentes
Si l’on ne mesure un modèle que sur les exemples qu’il a étudiés, on apprend s’il les a mémorisés, pas s’il a appris quelque chose d’utile. C’est pourquoi les données sont séparées : une partie pour apprendre, une autre mise de côté pour tester sur des cas inédits. Un grand écart entre les deux scores est un signal d’alerte appelé surapprentissage.
Pourquoi les exemples comptent autant
Un modèle ne peut apprendre que les régularités présentes dans ses données. Si un groupe ou une situation importante est absent, il sera mauvais dans ce cas. Des exemples biaisés ou désordonnés produisent un comportement biaisé ou désordonné.
À retenir
- Apprendre, c’est ajuster de façon répétée en suivant l’erreur.
- Un test équitable utilise des données que le modèle n’a pas vues.
- De meilleures données aident souvent plus qu’un modèle plus grand.
Pour aller plus loin
Retrouvez le traitement complet, les exemples et les exercices dans L’IA expliquée simplement.
Adapté de L’IA expliquée simplement, publié par Choral Software. Texte de l’article et exemples originaux © 2026 Choral Software. Tous droits réservés.