En apprentissage supervisé, un modèle apprend à partir d'exemples dont la bonne réponse est déjà connue, par exemple des e-mails étiquetés « spam » ou « non spam ». Il en déduit des règles pour classer de nouveaux cas ou prédire des valeurs. Les tâches typiques sont la classification et la régression ; l'essentiel de l'effort consiste à produire des données correctement annotées.
Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.
Lancer la démoEn apprentissage non supervisé, un modèle reçoit des données sans réponses correctes prédéfinies et recherche lui-même des structures. Les méthodes typiques sont le clustering, qui regroupe les enregistrements similaires, et la réduction de dimension, qui condense de nombreuses variables en quelques-unes essentielles. Les entreprises s'en servent pour découvrir des segments de clientèle ou repérer des transactions inhabituelles ; les groupes obtenus doivent ensuite être interprétés par des experts métier.
L'apprentissage semi-supervisé combine une petite quantité de données étiquetées avec une grande quantité de données non étiquetées. Le modèle apprend d'abord à partir des quelques exemples dont la réponse est connue, puis exploite les régularités des autres données pour progresser, par exemple en reprenant ses prédictions les plus sûres comme exemples supplémentaires. C'est intéressant lorsque l'étiquetage coûte cher, comme pour des images médicales ou des milliers de tickets de support.
Un classifieur est un modèle ou une méthode qui attribue une entrée à l'une de plusieurs catégories prédéfinies. Les variantes classiques, comme les arbres de décision ou le Naive Bayes, sont entraînées sur des exemples étiquetés ; les modèles de langage peuvent aussi classer des textes à partir d'une description des catégories. Usages typiques : détection de spam, tri des demandes clients par thème ou classement de justificatifs. La qualité se mesure avec des indicateurs comme l'exactitude, la précision et le rappel.
Les données d'entraînement sont les exemples à partir desquels un modèle d'IA apprend des régularités : de vastes corpus de textes pour les modèles de langage, des images annotées pour les modèles de vision. Leur qualité, leur diversité et leur actualité déterminent largement la fiabilité, l'équité et le niveau de connaissances d'un modèle. Pour une entreprise, il importe aussi de savoir si un fournisseur réutilise vos données clients pour l'entraînement.
