Retrouvez les définitions clés pour cadrer un projet IA en PME et relier facilement les notions entre elles.
Définition
Le machine learning (apprentissage automatique) regroupe les méthodes qui permettent à un système d'apprendre des régularités à partir d'exemples, sans qu'un développeur ait à coder chaque règle à la main. C'est le socle sur lequel reposent la plupart des IA actuelles, des LLM aux moteurs de recommandation.
À retenir
Le machine learning apprend des schémas dans vos données ; sa qualité dépend directement de la qualité de ces données.
Erreur fréquente
Croire qu'un modèle entraîné une fois reste pertinent pour toujours, sans réentraînement ni surveillance.
À quoi cela sert
- Prédire une valeur ou classer un élément à partir de données historiques.
- Détecter des anomalies, des tendances ou des segments non évidents.
- Automatiser des décisions répétitives à grande échelle.
Exemple concret
Un modèle de machine learning peut apprendre à repérer les factures anormales à partir de milliers de factures passées, sans qu'on lui ait décrit une à une toutes les fraudes possibles.
Bonnes pratiques
- Partir de données propres, représentatives et bien étiquetées.
- Séparer données d'entraînement et données de test pour mesurer la performance réelle.
- Surveiller la dérive du modèle dans le temps.
Pourquoi ce terme compte
Comprendre cette notion aide à mieux cadrer un outil IA, à poser les bonnes questions à un éditeur ou à un prestataire, et à distinguer les promesses marketing des usages réellement utiles pour une PME.
Revenez au sommaire du lexique IA ou poursuivez avec les autres ressources du site.