La descente de gradient est la méthode d’optimisation utilisée pour entraîner la plupart des modèles d’IA. On mesure l’erreur du modèle, on calcule dans quelle direction ses paramètres doivent changer pour la réduire, puis on fait un petit pas dans cette direction, encore et encore. C’est comme un randonneur dans le brouillard qui descend toujours la pente pour atteindre la vallée. La taille du pas (taux d’apprentissage) détermine la vitesse et la stabilité.
Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.
Lancer la démoLa rétropropagation du gradient (backpropagation) est la méthode standard d'apprentissage des réseaux de neurones. Après chaque prédiction, l'erreur est mesurée puis propagée à rebours à travers les couches, ce qui indique la contribution de chaque poids. Une méthode d'optimisation comme la descente de gradient ajuste ensuite les poids pas à pas. Sans rétropropagation, l'entraînement des modèles de langage et d'image actuels serait pratiquement impossible.
En apprentissage automatique, la convergence signifie qu'un entraînement se rapproche d'un état stable : la fonction de perte ne diminue presque plus et les paramètres du modèle ne varient que très peu. La convergence et sa vitesse dépendent notamment du taux d'apprentissage, de la qualité des données et de l'architecture. Si le taux est trop élevé, l'erreur oscille ; s'il est trop faible, l'entraînement dure inutilement. La convergence ne garantit pas un bon modèle, qui peut aussi être surajusté.
L'entropie croisée est une mesure issue de la théorie de l'information qui indique à quel point une distribution de probabilité prédite s'écarte de la distribution réelle. En apprentissage automatique, c'est la fonction de perte la plus courante pour la classification, ainsi que pour les modèles de langage qui prédisent le token suivant. Elle pénalise surtout les erreurs commises avec une grande confiance : attribuer 99 % à la mauvaise classe coûte bien plus qu'attribuer 60 %.
Les hyperparamètres sont des réglages fixés avant l'entraînement d'un modèle, comme le taux d'apprentissage, le nombre de couches ou l'intensité de la régularisation. L'optimisation des hyperparamètres recherche systématiquement la combinaison la plus performante sur des données de validation, par exemple par recherche en grille, recherche aléatoire ou optimisation bayésienne. Des valeurs bien choisies améliorent la précision et limitent le surapprentissage ou le sous-apprentissage, mais la recherche coûte du temps de calcul.
