1.3 — Comment une machine apprend à partir d’exemples

Une règle classique est écrite par un humain : « si le montant dépasse 1 000 €, demander une validation ». En apprentissage automatique, on montre plutôt de nombreux exemples à un programme afin qu’il repère des régularités.

L’analogie du panier de courrier

Imaginez 10 000 e-mails déjà classés en deux paniers : « indésirable » et « utile ». Un système d’apprentissage observe les mots, expéditeurs, liens et structures qui apparaissent souvent dans chaque panier. Il ajuste progressivement des millions de petits paramètres internes.

Le résultat est un modèle : une représentation statistique capable d’estimer dans quel panier placer un nouvel e-mail.

Exemples connus → entraînement → modèle → prédiction sur un nouvel exemple

Cette distinction est importante :

• pendant l’entraînement, le système apprend à partir d’un grand ensemble d’exemples ;
• pendant l’utilisation — appelée aussi inférence — le modèle applique ce qu’il a appris à une nouvelle entrée ;
• dans une conversation ordinaire, vous utilisez généralement un modèle déjà entraîné ; vous ne réentraînez pas son cerveau à chaque message.

Les exemples déterminent ce qui peut être appris

Si les exemples sont faux, incomplets ou déséquilibrés, le modèle apprend leurs défauts. Un modèle de tri entraîné uniquement avec les demandes d’une seule équipe peut échouer avec les formulations d’un autre pays. Un outil de recrutement entraîné sur des décisions injustes peut reproduire ces décisions.

La qualité dépend donc des données, de la tâche, des situations réellement rencontrées et de la façon dont on mesure les erreurs.

Cas concret — classer les demandes d’Atelier Nova

Supposons que l’entreprise dispose de messages classés en quatre catégories : livraison, produit endommagé, conseil avant achat et autre. Avant d’utiliser un modèle, l’équipe doit se mettre d’accord : une cliente qui écrit « mon colis est arrivé mais la chaise est cassée » appartient-elle à livraison ou produit endommagé ?

Si les humains ne définissent pas une référence cohérente, le modèle ne pourra pas être évalué correctement.

Exercice — cherchez le biais dans les exemples

Une entreprise teste un classificateur d’urgence uniquement sur 50 messages très courts. Ensuite, les clients envoient des messages longs, avec des captures et plusieurs demandes.

1. Pourquoi le test initial est-il insuffisant ?
2. Quels nouveaux exemples faut-il ajouter ?
3. Quelle erreur serait la plus grave : une fausse alerte ou une urgence manquée ?

Éléments de correction

Le test ne représente pas les entrées réelles. Il faut ajouter des messages longs, ambigus, avec pièces jointes, fautes et plusieurs intentions. La gravité des deux erreurs dépend du métier ; elle doit être décidée avec les personnes concernées avant le test.

✅ Réflexe professionnel : un modèle n’apprend pas « la réalité ». Il apprend des régularités présentes dans des exemples sélectionnés par des humains.

À ajouter à votre carnet

Décrivez trois exemples normaux et deux exemples difficiles qui représentent réellement votre tâche.